如何解决给定 Python 中全图的 SciPy CSR 距离矩阵，有效地计算子图的稀疏距离矩阵
我有一个稀疏的 SciPy CSR 距离矩阵 D，它定义了一个图 G，顶点 V=[1,..,n] 和一些大 n>100000。 i 的每一行 D 正好有 k 距离，归纳出顶点 k 的 i 最近邻居。
此外，我有顶点 W 的子集 V，它比 V 小一个数量级。从距离 D，我想有效地计算 E 顶点的稀疏 CSR 距离矩阵 W，每个都有 k 个邻居。
简单地对D进行切片，即选择E=D[W,W]是行不通的，因为一般情况下，子集的点在D中甚至不会有距离。通过切片，我最终得到一个矩阵 E，它在每行中包含 0 和 k 项之间的某个位置，正是我想要的 k。
我可以转向一些 compressed sparse graph routines，例如 Dijkstra 算法。然后，我可以计算：
E = dijkstra(csgraph=D,directed=False,indices=W)
原则上，这给了我我想要的，但是，在此操作之后，E 是一个 ndarray，具有所有顶点 W 的完整距离矩阵，而我只想要k 最近的邻居。显然，我可以从 E 的行中挑选那些并将所有东西都扔掉，但是当我什至不使用它们时计算这些是浪费时间。
同样的问题出现在其他可用的方法中，例如 Floyd Warshall、Bellman-Ford 和 Johnson，在这些方法中我总是为我的子图获得一个完整的距离矩阵。
我可以尝试逐行构建矩阵 E，而不是一次性构建。这原则上可以通过在 i 中固定一个顶点 W 并构建和遍历一个以 i 为根的 breadth-first tree 或通过创建一个 breadth-first order 开始于 i 来实现{1}}。两者都表示与 k 最接近的 W 元素，但是，它们还会在此之后对其他所有元素进行排序，这在我的应用程序中是多余的。
沿着类似的路线，我可以从 i 开始专门计算 shortest path 到 W 中的所有其他顶点，并保持 k 最接近的顶点。但是，根据我的图形布局和 i 的位置，我可能必须重复某些操作，这不会产生有效的算法。
理想情况下，我想要的是将 W 和 k 传递给 Dijkstra 算法的选项，以便它停止为某些顶点 {{1 }} 一旦它遇到 i 中的第 k 个元素。关于如何比我上面的概述更有效地实现这一目标有什么建议吗？
版权声明：本文内容由互联网用户自发贡献，该文观点与技术仅代表作者本人。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如发现本站有涉嫌侵权/违法违规的内容， 请发送邮件至 dio@foxmail.com 举报，一经查实，本站将立刻删除。
