3
我有一個NxN
常規網絡,其中每個節點有一組(X,Y)
座標。節點由單元分隔。該網絡是這樣的:Python:如何計算常規網絡的歐氏距離分佈?
(0,0) (1,0) (2,0)
(0,1) (1,1) (2,1)
(0,2) (1,2) (2,2)
我希望能夠計算到所有其他系統從每個節點歐氏距離。例如:
#Euclidean distances from node (0,0):
0 sqrt(1) sqrt(4)
sqrt(1) sqrt(2) sqrt(5)
sqrt(4) sqrt(5) sqrt(8)
然後,我想繪製距離分佈,它告訴我哪個頻率給定的距離有一定的值。然後,我想要將圖形變成對數對數圖。
這是我的嘗試:
import networkx as nx
from networkx import *
import matplotlib.pyplot as plt
#Creating the regular network
N=10 #This can vary
G=nx.grid_2d_graph(N,N)
pos = dict((n, n) for n in G.nodes())
labels = dict(((i, j), i + (N-1-j) * N) for i, j in G.nodes())
nx.relabel_nodes(G,labels,False)
inds=labels.keys()
vals=labels.values()
inds.sort()
vals.sort()
pos2=dict(zip(vals,inds)) #Dict storing the node coordinates
nx.draw_networkx(G, pos=pos2, with_labels=False, node_size = 15)
#Computing the edge length distribution
def plot_edge_length_distribution(): #Euclidean distances from all nodes
lengths={}
for k, item in pos2:
for t, elements in pos2:
if k==t:
lengths[k]=0
else:
lengths[k]=((pos2[t][2]-pos2[k][2])**2)+((pos2[t][1]-pos2[k][1])**2) #The square distance (it's ok to leave it like this)
items=sorted(lengths.items())
fig=plt.figure()
ax=fig.add_subplot(111)
ax.plot([k for (k,v) in items],[v for (k,v) in items],'ks-')
ax.set_xscale("log")
ax.set_yscale("log")
title_string=('Edge Length Distribution')
subtitle_string=('Lattice Network | '+str(N)+'x'+str(N)+' nodes')
plt.suptitle(title_string, y=0.99, fontsize=17)
plt.title(subtitle_string, fontsize=9)
plt.xlabel('Log l')
plt.ylabel('Log p(l)')
ax.grid(True,which="both")
plt.show()
plot_edge_length_distribution()
編輯
運行時,這個腳本拋出錯誤:TypeError: 'int' object is not iterable
,在那裏我寫for k, item in pos2:
線指向。 我哪裏錯了?
我喜歡這個,但我想有一些缺失。假設你有一個NxN節點的網絡:在這種情況下,我希望生成你描述的那種'(N-1)×(N-1)'矩陣。但在你的例子中,我沒有看到從哪個參考節點計算距離'1.','2'等。你明白我的意思嗎? – FaCoffee
但是* N X N *個節點的網絡僅僅意味着有* m = N^2 *個節點,不是?所以距離的數量是[m選擇2](https://en.wikipedia.org/wiki/Binomial_coefficient)。我錯過了什麼嗎? –
是的,我錯了。距離的總數是m選擇2.這意味着我們可以選擇2個距離矩陣。但是我的問題是:從'distance.pdist(coords)'得到的值'1.','2'等等是什麼節點 - 指的是?因爲如果起始節點是'(0,0)',我希望將其作爲輸出數組([0.,1,2。])'。 – FaCoffee