معرفی شرکت ها

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 بیشتر

توضیحات

Rapid and exact partitioning algorithms for graphs embedded in one dimension.

ویژگی	مقدار
سیستم عامل	-
نام فایل	dyvider-0.3
نام	dyvider
نسخه کتابخانه	0.3
نگهدارنده	[]
ایمیل نگهدارنده	[]
نویسنده	Jean-Gabriel Young, Alice Patania
ایمیل نویسنده	jean-gabriel.young@uvm.edu
آدرس صفحه اصلی	https://github.com/jg-you/dyvider
آدرس اینترنتی	https://pypi.org/project/dyvider/
مجوز	MIT

dyvider ======= **dyvider** is a small library implementing dynamic programming algorithms for exact linear clustering in networks. Its algorithms process networks whose nodes have positions in one dimension, and return their optimal partition. The theory and experiments exploring this code can be found in the paper `"Exact and rapid linear clustering of networks with dynamic programming" <https://arxiv.org/abs/2301.10403>`__, by `Alice Patania <https://alpatania.github.io/>`__, `Antoine Allard <https://antoineallard.github.io/>`__ and `Jean-Gabriel Young <https://jg-you.github.io/>`__. Dependencies ------------ The only necessary dependency are `networkx <https://networkx.org/>`__ and ``numpy``. Quick tour ---------- The following minimal example first assigns scores to nodes with a one-dimensional spectral embedding and then retrieves an optimal linear clustering from this embedding using ``dyvider``. .. code:: python import networkx as nx import dyvider as dy import numpy as np # create a graph g = nx.stochastic_block_model([10, 10], [[0.5, 0.05], [0.05, 0.5]], seed=42) # generate a 1-d embedding with the leading eigenvector of the modularity matrix eigenvals, eigvenvecs = np.linalg.eig(nx.linalg.adjacency_matrix(g).todense()) score = {v: float(eigvenvecs[v, 0]) for v in g.nodes()} # set the node positions nx.set_node_attributes(g, score, 'score') # run dyvider g = dy.utilities.preprocess(g) objective_function = dy.objectives.Modularity() solution, Q = dy.algorithms.run(g, objective_function) print(solution) The expected output is: .. code:: python >>> [[0, 1, 2, 3, 4, 5, 6, 7, 8, 9]; [10, 11, 12, 13, 14, 15, 16, 17, 18, 19]] Our `tutorial <tutorial.ipynb>`__ goes into more detail and demonstrates all the API calls. Paper ----- If you use this code, please consider citing: “`Exact and rapid linear clustering of networks with dynamic programming <https://arxiv.org/abs/2301.10403>`__” `Alice Patania <https://alpatania.github.io/>`__, `Antoine Allard <https://antoineallard.github.io/>`__ and `Jean-Gabriel Young <https://jg-you.github.io/>`__. arXiv:2301.10403. Author information ------------------ Code by `Jean-Gabriel Young <https://jg-you.github.io>`__. Don’t hesitate to get in touch at jean-gabriel.young@uvm.edu, or via the `issues <https://github.com/jg-you/dyvider/issues>`__!

نحوه نصب

نصب پکیج whl dyvider-0.3:

pip install dyvider-0.3.whl

نصب پکیج tar.gz dyvider-0.3:

pip install dyvider-0.3.tar.gz