scipy.sparse.csgraph.

depth_first_tree#

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

返回由深度优先搜索生成的树。

请注意，深度优先搜索生成的树不是唯一的：它取决于搜索每个节点的子节点的顺序。

在版本 0.11.0 中添加。

参数:
csgrapharray_like 或稀疏矩阵

表示压缩稀疏图的 N x N 矩阵。输入 csgraph 将被转换为 csr 格式以进行计算。

i_startint

起始节点的索引。

directedbool, 可选

如果为 True（默认值），则对有向图进行操作：只沿着路径 csgraph[i, j] 从点 i 移动到点 j。如果为 False，则在无向图上找到最短路径：算法可以沿着 csgraph[i, j] 或 csgraph[j, i] 从点 i 移动到 j。

返回值:
cstreecsr 矩阵

从 csgraph 中绘制的深度优先树的 N x N 有向压缩稀疏表示，从指定的节点开始。

备注

如果有多个有效的解决方案，输出可能会随着 SciPy 和 Python 版本而变化。

示例

以下示例展示了在简单的四组件图上计算深度优先树的过程，从节点 0 开始

 input graph           depth first tree from (0)

     (0)                         (0)
    /   \                           \
   3     8                           8
  /       \                           \
(3)---5---(1)               (3)       (1)
  \       /                   \       /
   6     2                     6     2
    \   /                       \   /
     (2)                         (2)

在压缩稀疏表示中，解决方案看起来像这样

>>> from scipy.sparse import csr_matrix
>>> from scipy.sparse.csgraph import depth_first_tree
>>> X = csr_matrix([[0, 8, 0, 3],
...                 [0, 0, 2, 5],
...                 [0, 0, 0, 6],
...                 [0, 0, 0, 0]])
>>> Tcsr = depth_first_tree(X, 0, directed=False)
>>> Tcsr.toarray().astype(int)
array([[0, 8, 0, 0],
       [0, 0, 2, 0],
       [0, 0, 0, 6],
       [0, 0, 0, 0]])

请注意，生成的图是一个跨越图的有向无环图。与广度优先树不同，给定图的深度优先树不是唯一的，如果图包含循环。如果上述解决方案从连接节点 0 和 3 的边开始，结果将有所不同。

本页内容