Networkx: Различия между pagerank, pagerank_numpy и pagerank_scipy?
Кто-нибудь знает о различиях в точности между тремя различными функциями pagerank в Networkx?
У меня есть граф из 1000 узлов и 139732 ребер, а функция «простого» pagerank не работает вообще – все, кроме двух узлов, имеют один и тот же PG, поэтому я предполагаю, что эта функция не работает также для больших графов?
- экспорт из / импорта в numpy, scipy в форматах SQLite и HDF5
- получить значение R ^ 2 из scipy.linalg.lstsq
- Использование scipy для минимизации функции, которая также принимает невариантные параметры
- Хорошие тесты пригодности в SciPy
- Быстрый поиск пиков и центрирование в python
- pdist для тензора аана
Значения pagerank_numpy также были немного более распространены, чем значения pagerank_scipy . В документации для этой функции говорится, что «это будет самым быстрым и точным для небольших графиков». Что подразумевается под «маленькими» графами?
Кроме того, почему max_iter не допускает аргументы max_iter и tol ?
One Solution collect form web for “Networkx: Различия между pagerank, pagerank_numpy и pagerank_scipy?”
Каждая из трех функций использует другой подход к решению одной и той же проблемы:
networkx.pagerank() – это чисто- networkx.pagerank() реализация power-метода для вычисления самого большого собственного / собственного вектора или матрицы Google. Он имеет два параметра, которые управляют точностью – tol и max_iter .
networkx.pagerank_scipy() – это networkx.pagerank_scipy() матричная реализация Power-метода SciPy. Он имеет те же два параметра точности.
networkx.pagerank_numpy() – это реализация матрицы NumPy (полная), которая вызывает numpy.linalg.eig() для вычисления самого большого собственного значения и собственного вектора. Эта функция является интерфейсом функции LAPACK dgeev, которая использует метод разложения матрицы (прямой) без каких-либо настраиваемых параметров.
Все три должны давать одинаковый ответ (в пределах численного округления) для хорошо выполненных графиков, если параметр tol достаточно мал, а параметр max_iter достаточно велик. Какой из них быстрее зависит от размера вашего графика и того, насколько хорошо метод мощности работает на вашем графике.
In [12]: import networkx as nx In [13]: G=nx.gnp_random_graph(1000,0.01,directed=True) In [14]: %timeit nx.pagerank(G,tol=1e-10) 10 loops, best of 3: 157 ms per loop In [15]: %timeit nx.pagerank_scipy(G,tol=1e-10) 100 loops, best of 3: 14 ms per loop In [16]: %timeit nx.pagerank(G) 10 loops, best of 3: 137 ms per loop