如何在 Python 中使用 NumPy 打乱 node 标签并获得新的权重向量

发布于07月05日

我将无向图的边权重保存在行向量中.例如，如果我有一个下图

我创建的向量是[5, 3, 4, 1, 2, 7]，按 node 数升序排序.现在，如果我交换 node 1和4的 node 标签，我可以得到下面的图；

在这个场景中，我应该得到的向量是[2, 7, 4, 1, 5, 3]..我的问题是，如果我有一个n×m NumPy的数组，其中n是图的数量，m是边的数量，我如何洗牌每行的 node 标签并有效地获得更新的数组？

假设我有一组由四个 node 组成的图，如下所示.我的意图是随机洗牌每个网络中的 node 标签，然后在相同大小的数组中得到相应的更新权重.

np.random.seed(2)
arr = np.random.randint(10, size=(5, 6))
arr
array([[8, 8, 6, 2, 8, 7],
       [2, 1, 5, 4, 4, 5],
       [7, 3, 6, 4, 3, 7],
       [6, 1, 3, 5, 8, 4],
       [6, 3, 9, 2, 0, 4]])

推荐答案

你可以这样做:

import numpy as np


def get_arr_from_edges(a):
    n = int(np.sqrt(len(a) * 2)) + 1
    mask = np.tri(n, dtype=bool, k=-1).T
    out = np.zeros((n, n))
    out[mask] = a
    out += out.T
    return out


def get_edges_from_arr(a):
    mask = np.tri(a.shape[0], dtype=bool, k=-1).T
    out = a[mask]
    return out


def swap_nodes(a, nodes):
    a[:, [nodes[0] - 1, nodes[1] - 1], :] = a[:, [nodes[1] - 1, nodes[0] - 1], :]
    a[:, :, [nodes[0] - 1, nodes[1] - 1]] = a[:, :, [nodes[1] - 1, nodes[0] - 1]]
    return a


arr = np.array([
        [8, 8, 6, 2, 8, 7],
        [2, 1, 5, 4, 4, 5],
        [7, 3, 6, 4, 3, 7],
        [6, 1, 3, 5, 8, 4],
        [6, 3, 9, 2, 0, 4],
])
nodes_to_swap = (1, 4)

# initialize node-arr
node_arrs = np.apply_along_axis(get_arr_from_edges, axis=1, arr=arr)

# swap nodes
node_arrs = swap_nodes(node_arrs, nodes_to_swap)

# return rempapped edges
edges = np.array([get_edges_from_arr(node_arr) for node_arr in node_arrs])
print(edges)

给出以下结果:

[[8 7 6 2 8 8]
 [4 5 5 4 2 1]
 [3 7 6 4 7 3]
 [8 4 3 5 6 1]
 [0 4 9 2 6 3]]

其思想是从边构建连接矩阵，其中边数保存在两个 node 的索引处.
然后根据要交换的 node 交换列和行.如果希望此过程是随机的，可以创建随机 node 对，并使用这些 node 对多次调用函数.这个过程是非交换的，所以如果你想交换多个 node 对，那么顺序很重要！
然后，读取带有交换列和行的数组的重新映射边(这基本上与第一步相反).

我确信，使用numpys的强大功能还剩下一些优化.