在 networkx 中模拟图模型
Simulate graph model in networkx
我在 networkx 中有一个非常具体的图形问题：
我的有向图有两种不同类型的节点（我将它们称为 I 和 T）并且它仅由边构建在 I-T 和 T-I 之间（因此 T 不与其他 T 连接，与 I 相同）
现在我需要模拟一个具有相同行为的新图：我有一定数量的 I 和 T，并且 I-T 之间的边以一定的概率存在（对于 T-I 也是如此，但概率不同，我们称它们为 p_i 和 p_o).
所以我的问题是我无法同时为 I 和 T 使用 for 循环进行迭代，因为两者都非常大（我现在正在分析的数据是 5000 T 和 5000 I，但可能会增加每个最多 300000 个），我的电脑无法处理。
在这种情况下创建图形的最佳方法是什么？
这是 @ravenspoint 让我在他的评论中找到的解决方案。
对于 T=5000 和 I=5000 它通过在 I 中执行 for loops 和在 T 中执行一个并通过使用 np.random.binomial(1, pi, nI) 和 np.random.binomial(1, po, nO) 来自 numpy，其中 nO 和 nI 是实际图中 O 和 I 的长度，如果 [=32= 则创建边]这些数组是1.
如果 po=pi（正如我的示例中发生的那样），@Stef 解决方案也有效，您可以使用 nx.bipartite.random_graph(countadd, countt, p, seed=None,directed=True)
我在 networkx 中有一个非常具体的图形问题：
我的有向图有两种不同类型的节点（我将它们称为 I 和 T）并且它仅由边构建在 I-T 和 T-I 之间（因此 T 不与其他 T 连接，与 I 相同）
现在我需要模拟一个具有相同行为的新图：我有一定数量的 I 和 T，并且 I-T 之间的边以一定的概率存在（对于 T-I 也是如此，但概率不同，我们称它们为 p_i 和 p_o).
所以我的问题是我无法同时为 I 和 T 使用 for 循环进行迭代，因为两者都非常大（我现在正在分析的数据是 5000 T 和 5000 I，但可能会增加每个最多 300000 个），我的电脑无法处理。
在这种情况下创建图形的最佳方法是什么？
这是 @ravenspoint 让我在他的评论中找到的解决方案。
对于 T=5000 和 I=5000 它通过在 I 中执行 for loops 和在 T 中执行一个并通过使用 np.random.binomial(1, pi, nI) 和 np.random.binomial(1, po, nO) 来自 numpy，其中 nO 和 nI 是实际图中 O 和 I 的长度，如果 [=32= 则创建边]这些数组是1.
如果 po=pi（正如我的示例中发生的那样），@Stef 解决方案也有效，您可以使用 nx.bipartite.random_graph(countadd, countt, p, seed=None,directed=True)