معرفی شرکت ها
MuLP-1.0.0
تبلیغات ما
مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.
مشاهده بیشتر
تبلیغات ما
مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.
مشاهده بیشتر
تبلیغات ما
مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.
مشاهده بیشتر
تبلیغات ما
مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.
مشاهده بیشتر
تبلیغات ما
مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.
مشاهده بیشترتوضیحات
Python implementation of the Multilayer Personalized Page Rank algorithm
| ویژگی | مقدار |
|---|---|
| سیستم عامل | OS Independent |
| نام فایل | MuLP-1.0.0 |
| نام | MuLP |
| نسخه کتابخانه | 1.0.0 |
| نگهدارنده | [] |
| ایمیل نگهدارنده | [] |
| نویسنده | Sigurjon Thorsteinsson, Emiliano Penaloza, Cristian Bravo Roman, María Óskarsdóttir |
| ایمیل نویسنده | grjoni80@gmail.com, emilianopp550@gmail.com, cbravoro@uwo.ca, mariaoskars@ru.is |
| آدرس صفحه اصلی | https://github.com/Banking-Analytics-Lab/MuLP |
| آدرس اینترنتی | https://pypi.org/project/MuLP/ |
| مجوز | - |
# MuLP
This repository/package includes a python script that implements the MultilayerCreditScoring (MCS) algorithim presented in [Bravo and Óskarsdóttir (2020)](https://doi.org/10.48550/arXiv.2005.12418) and Óskarsdóttir and Bravo (2021, [ArXiV](https://arxiv.org/abs/2010.09559) , [Publisher](https://doi.org/10.1016/j.omega.2021.102520))
# Installation
```
pip install MuLP
```
# Input instructions
There are three primary input files:
* Individual layer files (.ncol)
* Common Nodes file (csv)
* Personal Node file (csv)
Each layer in the multilayer network requires its own .ncol file with the appropriate [ncol file format](http://lgl.sourceforge.net).
Example ncol layer file (.ncol):
```
CommonNodeA SpecificNodeA
CommonNodeB SpecificNodeA
CommonNodeC SpecificNodeB
CommonNodeD SpecificNodeC
```
The inter-layer connections are only allowed between common nodes as to follow the structure layed out by Óskarsdóttir & Bravo (2021):
Example input file(.csv):
```
CommonNode1
CommonNode2
CommonNode3
```
To construct the personal matrix one must specify the influence (or personal) nodes in the following format (example input .csv file):
```
InfluentialNode1
InfluentialNode2
InfluentialNode3
```
# Usage
### Multilayer Network Initialization
To create a Multilayer Network the following arguments are available:
```layer_files (list)```: list of layer files
```common_nodes_file (str)```: csv file to common nodes
```personal_file (str)```: file to create personal matrix
```bidirectional (bool, optional)```: wheter edges are biderectional or not. Defaults to False.
```sparse (bool, optional)```: use sparse or dense matrix. Defaults to True.
```python
from MultiLayerRanker import MultiLayerRanker
ranker = MultiLayerRanker(layer_files=['products.ncol','districts.ncol'],
common_nodes_file= './common.csv',
personal_file= './personal.csv' ,
biderectional=True,
sparse = True)
```
### Ranking
The ```rank``` method of the ```MultiLayerRanker``` class runs the
MultiLayer Personalized PageRank Algorithm. One can choose to run different experiments with varying alphas by specifying it in the method call:
```alpha (int,optional)```: PageRank exploration parameter, defaults to .85
```python
eigs = ranker.pageRank(alpha = .85)
```
This method returns the leading eigenvector corresponding to each node's rank.
### Output Formatting
The ```formattedRanks``` method allows getting the rankings with appropriate node labels in a dictionary format: x
```eigs (ndarray)```: corresponding eigenvector to format
```python
ranker.formattedRanks(eigs)
```
The ```adjDF``` method allows getting a personal or adjacency matrix with corresponding labels as a dataframe:
```matrix (ndarray)``` : an adj matrix or personal matrix to transform
```f (str,optional)```: Optional, if true, writes the df to an output csv
```python
#for persoanl matrix
personalDF = ranker.toDf(ranker.personal)
#for adj matrix
adjDf = ranker.toDf(ranker.matrix)
```
نیازمندی
| مقدار | نام |
|---|---|
| - | scikit-learn |
| - | numpy |
| - | scipy |
| - | igraph |
| - | pandas |
زبان مورد نیاز
| مقدار | نام |
|---|---|
| >=3.8 | Python |
نحوه نصب
نصب پکیج whl MuLP-1.0.0:
pip install MuLP-1.0.0.whl
نصب پکیج tar.gz MuLP-1.0.0:
pip install MuLP-1.0.0.tar.gz