标签: adjacency-matrix

基于从此链接提取的数据集：大脑和宇宙网络样本，我正在尝试进行一些复杂网络分析。

论文《神经元网络与宇宙网的定量比较》声称使用了该数据集及其相邻矩阵

" Mij，即行/列等于检测到的节点数的矩阵，Mij如果节点之间的距离为\xe2\x89\xa4 llink，则值为 1，Mij = 0否则"。

然后我探究了矩阵，如下所示：

from astropy.io import fits\n\nwith fits.open(\'mind_dataset/matrix_CEREBELLUM_large.fits\') as data:\n    matrix_cerebellum = pd.DataFrame(data[0].data)\n

它不打印稀疏矩阵，而是打印与节点的距离以像素表示的矩阵。

我了解到1像素和比例之间的对应关系是：

neuronal_web_pixel = 0.32 # micrometers\n

并提出了一种将像素转换为微米的方法：

def pixels_to_scale(df, mind=False, cosmos=False):\n    \n    one_pixel_equals_parsec = cosmic_web_pixel\n    one_pixel_equals_micron = neuronal_web_pixel\n    \n    if mind:\n        df = df/one_pixel_equals_micron\n        \n    if cosmos:\n        df = df/one_pixel_equals_parsec\n        \n    return df\n

然后，另一种方法对转换后的矩阵进行二值化：

def …

我正在使用MATLAB.我有非常大的 稀疏矩阵,我想执行logical或bsxfun在这个矩阵中的每一列.有一个for循环,其中有一个logical填充稀疏矩阵的操作.在这里,我包含一个带有一些虚假小数据的示例函数,以查看我正在尝试做什么;

function maskMat()
graph_temp = round(rand(10,10));
tic;
com_mat = round(rand(10,10));
com = round(rand(10,1));
for ii=1:length(graph_temp)    
    com_mat(:,ii) = logical(com ~= com(ii));
    %bsxfun works too but is slightly slower
    %com_mat(:,ii) =  bsxfun(@ne,com,com(ii));
end
toc;
com_mat = graph_temp .* com_mat;

graph_temp并且com_mat大约有1M行和列,并且代码对for循环来说非常慢.关于SO还有另一个相关的问题,但我还没有理解它背后的理论,看看我是否也可以将这些解决方案应用于这个问题.

我想要编写一个mexc ++函数或尝试获得某种嵌套,arrayfun以便每个logical/ bsxfun操作被调用为更大函数的子例程,以避免for循环瓶颈.

我有这个互信息矩阵:

 X1053_at   X117_at X121_at X1255_g_at  X1294_at    X1316_at    X1320_at
X1053_at    0   0.00040833  0.052000448 0.101470422 0.00040833  0.223143551
X117_at     0.00040833  0   0.00040833  0.174561677 0.174561677 0.034204976
X121_at     0.052000448 0.00040833  0   0.020410997 0.010309644 0.034204976
X1255_g_at  0.101470422 0.174561677 0.020410997 0   0.020410997 0.174561677
X1294_at    0.00040833  0.174561677 0.010309644 0.020410997 0   0.101470422
X1316_at    0.223143551 0.034204976 0.034204976 0.174561677 0.101470422 0
X1320_at    0.074226329 0.134540323 0.052000448 0.00368703  0.020410997 0.101470422

然后我想在R中制作一个基因列表标签,用于分隔矩阵,例如:

 
geneX    geneY  weight   
geneX    geneY  weight   
geneX    geneY  weight   
geneX    geneY  weight   
geneX    geneY  weight   
geneX    geneY  weight  

有谁可以帮我这个？实际上我想导出这个矩阵然后通过cytoscape或gephi导入或者...谢谢

我有1d锦标赛队伍和2d"对手矩阵".

我只想提取每个队伍的对手名单.

我只是在学习Haskell并想知道,如果有人能想到下面已经运行的代码更优雅的解决方案.......也许列表理解？...

码:

findOp :: (Eq a, Num a) => [b] -> [a] -> [b]
findOp (x:xs) (y:ys) | y == 1 = [x] ++ findOp xs ys
                     | otherwise = findOp xs ys

findOp [] [] = []

tab = [[0,1,0,1],
       [1,0,1,0],
       [0,1,0,1],
       [1,0,1,0]]

teams = ["team a",
         "team b",
         "team c",
         "team d" ]

main :: IO ()
main = do
       let games = map (\x -> (fst x, findOp teams $ snd x)) $ zip teams …

我正在研究C++中的图形实现,并且遇到了一个对我来说很有意义的邻接矩阵的实现.该实现使用"init"函数初始化矩阵:

void init(int n) {

    numVertex = 0;
    numEdge = 0;

    mark = new int[n]; //initialize mark array
    for (int i = 0; i < numVertex; i++) {
        mark[i] = 0;
    }

    matrix = (int**) new int*[numVertex]; //make matrix
    for (int i = 0; i < numVertex; i++) {
        matrix[i] = new int[numVertex];
    }

    for (int i = 0; i < numVertex; i++) { //mark all matrix cells as false
        for (int j = 0; j < numVertex; j++) { …

我有一个邻接矩阵，例如：

[[  0.,  15.,   0.,   7.,  10.,   0.],
    [ 15.,   0.,   9.,  11.,   0.,   9.],
    [  0.,   9.,   0.,   0.,  12.,   7.],
    [  7.,  11.,   0.,   0.,   8.,  14.],
    [ 10.,   0.,  12.,   8.,   0.,   8.],
    [  0.,   9.,   7.,  14.,   8.,   0.]]

我怎样才能将它转换为像下面这样的邻接列表？

graph = {'1': [{'2':'15'}, {'4':'7'}, {'5':'10'}],
'2': [{'3':'9'}, {'4':'11'}, {'6':'9'}],
'3': [{'5':'12'}, {'6':'7'}],
'4': [{'5':'8'}, {'6':'14'}],
'5': [{'6':'8'}]}

？