wro*_*ame 13 python numpy pagerank scipy networkx
有谁知道Networkx中三种不同的pagerank功能之间的准确性差异？
我有一个1000个节点和139732个边缘的图形,"普通" pagerank函数似乎根本不起作用 - 除了两个节点之外都有相同的PG,所以我假设这个函数不起作用以及大型图表？
pagerank_numpy价值观似乎也比pagerank_scipy价值观更加分散.该函数的文档说"这对于小图表来说是最快和最准确的".什么是"小"图？
另外,为什么pagerank_numpy不允许max_iter和tol参数？
Ari*_*ric 24
这三个函数中的每一个都使用不同的方法来解决相同的问题:
networkx.pagerank()是用于计算最大特征值/特征向量或Google矩阵的幂方法的纯Python实现.它有两个控制精度的参数 - tol和max_iter.
networkx.pagerank_scipy()是功率方法的SciPy稀疏矩阵实现.它具有相同的两个精度参数.
networkx.pagerank_numpy()是一个NumPy(完整)矩阵实现,它调用numpy.linalg.eig()函数来计算最大特征值和特征向量.该函数是LAPACK dgeev函数的接口,该函数使用矩阵分解(直接)方法,没有可调参数.
如果tol参数足够小且max_iter参数足够大,那么对于表现良好的图,所有三个应该产生相同的答案(在数值舍入内).哪一个更快取决于图表的大小以及电源方法在图表上的效果.
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