Networkx：節點作爲對象或節點作爲標識符與詞典屬性表

Question

哪一種方式在內存管理和計算速度方面最有效？

下面的簡單測試表明，將節點中的屬性存儲爲python對象或通過屬性表進行字典查找會稍微好一些。由於內存如何分配，這是否總是這樣？

作爲測試我構造的簡單的例子：

class country(): 
    def __init__(self, name, gdp): 
     self.name = name 
     self.gdp = gdp 
    def __repr__(self): 
     return str(self.name) 

#Country Objects 
countries = dict() 
countries['AUS'] = country('AUS', 2000) 
countries['USA'] = country('USA', 10000) 
countries['ZWE'] = country('ZWE', 13) 

#Attribute Dictionary 
gdp = dict() 
gdp['AUS'] = 2000 
gdp['USA'] = 10000 
gdp['ZWE'] = 13 

構建網絡：

#Nodes as ID's 
G1 = nx.Graph() 
G1.add_nodes_from(countries.keys()) 
G1.nodes() 

#Nodes as Objects 
G2 = nx.Graph() 
for c in countries.keys(): 
    G2.add_node(countries[c]) 
G2.nodes() 

運行％timeit在IPython的：

G1F（）

#Lookup Data from Strings Network 
def G1f(): 
    for n in G1.nodes(): 
     print "Node: %s" % n 
     print "\tGDP: %s" % gdp[n] 
%timeit G1f 

輸出爲G1F（）：

10000000 loops, best of 3: 26.4 ns per loop 

G2F（）

#Lookup Data from Objects 
def G2f(): 
    for n in G2.nodes(): 
     print "Node: %s" % n.name 
     print "\tGDP: %s" % n.gdp 
%timeit G2f 

輸出，用於G2F（）

10000000 loops, best of 3: 21.8 ns per loop 

---

更新

G3F（）從答案]

G3 = nx.Graph() 
for c,v in gdp.items(): 
    G3.add_node(c, gdp=v) 
def G3f(): 
    for n,d in G3.nodes(data=True): 
     print "Node: %s" % n 
     print "\tGDP: %s" % d['gdp'] 

輸出爲G13f（）：

10000 loops, best of 3: 63 µs per loop 

Answer 1

您也可以使用節點屬性是這樣的：

import networkx as nx 
#Attribute Dictionary 
gdp = dict() 
gdp['AUS'] = 2000 
gdp['USA'] = 10000 
gdp['ZWE'] = 13 

G3 = nx.Graph() 
for c,v in gdp.items(): 
    G3.add_node(c, gdp=v) 

print G3.nodes(data=True) 

def G3f(): 
    for n,d in G3.nodes(data=True): 
     print "Node: %s" % n 
     print "\tGDP: %s" % d['gdp'] 

我不清楚測試計時是否非常重要。除非這是一個非常大的問題（也許有一天每個人都會擁有自己的國家！），速度或記憶力可能沒有太大的差別。我懷疑創建許多小自定義對象（國家（））的開銷最終會使用更多的內存和時間。