In [12]: import networkx as nx
In [13]: G=nx.gnp_random_graph(1000,0.01,directed=True)
In [14]: %timeit nx.pagerank(G,tol=1e-10)
10 loops, best of 3: 157 ms per loop
In [15]: %timeit nx.pagerank_scipy(G,tol=1e-10)
100 loops, best of 3: 14 ms per loop
In [16]: %timeit nx.pagerank(G)
10 loops, best of 3: 137 ms per loop
这三个功能都使用不同的方法来解决同一个问题:
networkx.pagerank()
是计算最大特征值/特征向量或Google矩阵的纯Python实现。它有两个控制精度的参数-tol
和max_iter
。在networkx.pagerank_scipy()
是幂方法的一种SciPy稀疏矩阵实现。它有相同的两个精度参数。在networkx.pagerank_numpy()
是一个NumPy(完整)矩阵实现,它调用numpy.linalg.eig()
函数来计算最大的特征值和特征向量。该函数是LAPACK dgeev函数的接口,该函数使用矩阵分解(direct)方法,没有可调参数。在如果
tol
参数足够小而max_iter
参数足够大,那么这三个参数都应该为性能良好的图生成相同的答案(在数值舍入范围内)。哪个更快取决于图的大小以及幂方法在图上的工作情况。在相关问题 更多 >
编程相关推荐