scipy.sparse.csgraph.

depth_first_order#

scipy.sparse.csgraph.depth_first_order(csgraph, i_start, directed=True, return_predecessors=True)#

返回从指定节点开始的深度优先排序。

请注意，深度优先排序并不唯一。此外，对于具有循环的图，深度优先搜索生成的树也不唯一。

在版本 0.11.0 中添加。

参数：
csgrapharray_like 或稀疏矩阵

N x N 压缩稀疏图。输入 csgraph 将被转换为 csr 格式进行计算。

i_startint

起始节点的索引。

directedbool，可选

如果为 True（默认），则在有向图上操作：仅沿着路径 csgraph[i, j] 从点 i 移动到点 j。如果为 False，则在无向图上查找最短路径：该算法可以沿着 csgraph[i, j] 或 csgraph[j, i] 从点 i 移动到 j。

return_predecessorsbool，可选

如果为 True（默认），则返回前驱数组（见下文）。

返回：
node_arrayndarray，一维

深度优先节点列表，从指定节点开始。node_array 的长度是从指定节点可达的节点数。

predecessorsndarray，一维

仅当 return_predecessors 为 True 时返回。深度优先树中每个节点的前驱的长度为 N 的列表。如果节点 i 在树中，则其父节点由 predecessors[i] 给出。如果节点 i 不在树中（以及对于父节点），则 predecessors[i] = -9999。

注意事项

如果有多个有效解，则输出可能会随着 SciPy 和 Python 版本而变化。

示例

>>> from scipy.sparse import csr_matrix
>>> from scipy.sparse.csgraph import depth_first_order

>>> graph = [
... [0, 1, 2, 0],
... [0, 0, 0, 1],
... [2, 0, 0, 3],
... [0, 0, 0, 0]
... ]
>>> graph = csr_matrix(graph)
>>> print(graph)
(np.int32(0), np.int32(1))  1
(np.int32(0), np.int32(2))  2
(np.int32(1), np.int32(3))  1
(np.int32(2), np.int32(0))  2
(np.int32(2), np.int32(3))  3

>>> depth_first_order(graph,0)
(array([0, 1, 3, 2], dtype=int32), array([-9999,     0,     0,     1], dtype=int32))
本页内容