对于图中的每个顶点，此代码有效地从“特殊”顶点的特定子集中查找其k个最近的顶点。
graphknn的Python项目详细描述
#graph knn python module
给定一个无向图和一组终端（或种子）顶点t，这个python包为每个顶点从集合t中查找k个最近邻。
相同的接口，实现方式略有不同。
**输入**：
**w:**n x n边权矩阵，类型为scipy.sparse.csr_matrix。
**mask:**长度为n的布尔数组，指示哪些顶点属于终端集t。
**k:**为每个顶点查找多少个最近的邻居。
**输出：**
**knn:**这是一个大小为n的数组，因此knn[i]是最多k对（距离，终端顶点索引）的列表。注意，knn[i]没有排序。
算法1更简单，而算法2有更严格的运行时保证。我们已经看到了算法1比算法2快，反之亦然的情况，因此请在您的数据上同时尝试并选择更快的一个。
\example
`````
import numpy as np
import scipy.sparse
import graphknn
def build_sparse_nonnegative_csr_matrix（n）：
w=np.random.random（（n，n））
w=w+w.transpose（）
w[w<；1.5]=n p.inf
return scpy.spar稀疏.csr矩阵（w）
def test graphknn（）：
n=10
p=0.5
k=3
w=build稀疏无向非负矩阵矩阵（n）
mask=np.随机随机随机随机（n）<；p
打印（'图边：''''''''''graph矩阵（w）
def test def test graphnnn（）
n=）
打印（w，“\n”）
print（'终端索引：'）
print（mask.nonzero（）[0]，'\n'）
result=graphknn.algorithm1（w，mask，k）
print（'所有顶点的k个最近终端索引：'）
for i in range（len（result））：
print（'result[{0}]：\n{1}。格式（i，排序（结果[i]））
test戋graphknn（）
````
然后，对于每个顶点，我们检查矩阵的第i列并选择k个最近的单元（这可以使用hoare的选择算法有效地完成）。该方法的运行时间为o（t v log v+e）。然而，这种方法是浪费的，因为它花了很多时间寻找从终端到远离终端的顶点的不相关的最短路径。
此模块实现了一种更快的方法，可以描述为并行执行t dijkstra运行，并结合早期停止规则防止不必要的遍历。一旦我们找到了来自k个不同终端的最短路径，这个停止规则就会停止探索顶点。
Nadler（http://www. Weigman .AC.IL/Maa/ Nadler /home）[BR/> [*Max极大极小半监督回归在未知流形*]（http://ARXIV.ORG/ABS/ 1611.02221），
AISATS（2017）。
给定一个无向图和一组终端（或种子）顶点t，这个python包为每个顶点从集合t中查找k个最近邻。
相同的接口，实现方式略有不同。
**输入**：
**w:**n x n边权矩阵，类型为scipy.sparse.csr_matrix。
**mask:**长度为n的布尔数组，指示哪些顶点属于终端集t。
**k:**为每个顶点查找多少个最近的邻居。
**输出：**
**knn:**这是一个大小为n的数组，因此knn[i]是最多k对（距离，终端顶点索引）的列表。注意，knn[i]没有排序。
算法1更简单，而算法2有更严格的运行时保证。我们已经看到了算法1比算法2快，反之亦然的情况，因此请在您的数据上同时尝试并选择更快的一个。
\example
`````
import numpy as np
import scipy.sparse
import graphknn
def build_sparse_nonnegative_csr_matrix（n）：
w=np.random.random（（n，n））
w=w+w.transpose（）
w[w<；1.5]=n p.inf
return scpy.spar稀疏.csr矩阵（w）
def test graphknn（）：
n=10
p=0.5
k=3
w=build稀疏无向非负矩阵矩阵（n）
mask=np.随机随机随机随机（n）<；p
打印（'图边：''''''''''graph矩阵（w）
def test def test graphnnn（）
n=）
打印（w，“\n”）
print（'终端索引：'）
print（mask.nonzero（）[0]，'\n'）
result=graphknn.algorithm1（w，mask，k）
print（'所有顶点的k个最近终端索引：'）
for i in range（len（result））：
print（'result[{0}]：\n{1}。格式（i，排序（结果[i]））
test戋graphknn（）
````
然后，对于每个顶点，我们检查矩阵的第i列并选择k个最近的单元（这可以使用hoare的选择算法有效地完成）。该方法的运行时间为o（t v log v+e）。然而，这种方法是浪费的，因为它花了很多时间寻找从终端到远离终端的顶点的不相关的最短路径。
此模块实现了一种更快的方法，可以描述为并行执行t dijkstra运行，并结合早期停止规则防止不必要的遍历。一旦我们找到了来自k个不同终端的最短路径，这个停止规则就会停止探索顶点。
Nadler（http://www. Weigman .AC.IL/Maa/ Nadler /home）[BR/> [*Max极大极小半监督回归在未知流形*]（http://ARXIV.ORG/ABS/ 1611.02221），
AISATS（2017）。
欢迎加入QQ群-->： 979659372
