33丨PageRank（下）：分析希拉里邮件中的人物关系

精选留言(11)

• 

  szm

  有2个问题：
  第一个：pagerank已经是字典类型了，为什么还要用pagerank_list = {node: rank for node, rank in pagerank.items()}将其转换为字典呢？是不是删掉这个语句也没关系？
  第二个：阈值大于0.005的图仍有很多重叠在一起，无法观看，请问怎样才能让画出来的图像美观呢？

  编辑回复: 第一个问题：对的，pagerank是字典类型，直接使用nx.set_node_attributes(graph, name = 'pagerank', values=pagerank)是OK的
  第二个问题，阈值大于0.005时，很多图重叠在一起，可以采用nx.circular_layout(graph)来进行显示。这样可以让筛选出来的点都分布到一个圆上，来显示出来他们之间的关系。

  2019-03-04

  

   2
• 

  third

  pagerank 值是： {'C': 0.22514635472743896, 'A': 0.3245609358176832, 'D': 0.22514635472743894, 'B': 0.22514635472743896}
  
  import networkx as nx
  # 创建有向图
  G = nx.DiGraph()
  # 有向图之间边的关系
  edges = [("A", "B"), ("A", "C"), ("A", "D"), ("B", "A"), ("B", "D"), ("C", "A"), ("D", "B"), ("D", "C")]
  for edge in edges:
      G.add_edge(edge[0], edge[1])
  pagerank_list = nx.pagerank(G, alpha=0.85)
  print("pagerank 值是：", pagerank_list)
  

  编辑回复: 正确。

  2019-02-27

  

   2
• 

  滢

  %15跳转概率，对应的阻尼因子是0.85 ， 阻尼因子默认就是0.85，所以在创建的时候可以直接省略啊alpha参数的设定。
  import networkx
  #创建有向图
  digraph = networkx.DiGraph()
  #有向图之间边的关系
  edges = [("A", "B"), ("A", "C"), ("A", "D"), ("B", "A"), ("B", "D"), ("C", "A"), ("D", "B"), ("D", "C")]
  for edge in edges:
      digraph.add_edge(edge[0],edge[1])
  pagerank_list = networkx.pagerank(digraph)
  print('PageRank 值是：',pagerank_list)
  输出结果：
  PageRank 值是： {'A': 0.3245609358176831, 'B': 0.22514635472743894, 'C': 0.22514635472743894, 'D': 0.22514635472743894}

  编辑回复: 正确，默认是0.85，所以可以省略。

  2019-04-21

  

   1
• 

  白夜

  默认阻尼就是0.85，alpha去掉完事、、
  pagerank 值是： {'A': 0.3245609358176831, 'B': 0.22514635472743894, 'C': 0.22514635472743894, 'D': 0.22514635472743894}

  编辑回复: 这样使用最方便，alpha默认是0.85

  2019-02-27

  

   1
• 

  third

  提问：
   UserWarning: Pandas doesn't allow columns to be created via a new attribute name - see https://pandas.pydata.org/pandas-docs/stable/indexing.html#attribute-access
  
  不允许列被新属性创建？？？
  
  点击网页进去，也没有找到这个警告。
  需要修改或者别的什么东西吗？

  2019-02-27

  

   1
• 

  Ronnyz

  将alpha=0.85
  pagerank值为： {'A': 0.3245609358176831, 'B': 0.22514635472743894, 'C': 0.22514635472743894, 'D': 0.22514635472743894}

  作者回复: 对的 正确

  2019-11-23

  

  
• 

  S.Mona

  pagerank计算的影响力，搜索结果按照影响力评分排序，这个和ElasticSearch的相关度评分排序搜索排序搜索结果有什么异同？

  2019-10-16

  

  
• 

  WS

  老师，怎么筛选出某个人物的有向图？

  2019-08-05

  

  
• 

  永降不息之雨

  老师关于希拉里邮件的案例，这一段一直看不懂。
  我print(temp)只有得到两个人名，
  但是我print(edges_weights_temp)后
  除了人名，后面还多了一个数字，
  老师这数字是怎么来的，这段语法能帮忙解释一下吗？
      temp=(rew[0],row[1])
  if temp not in edges_weights_temp:
          edges_weights_temp[temp] = 1
      else:
          edges_weights_temp[temp] = edges_weights_temp[temp] + 1
  

  编辑回复: 我在程序里保存边（发送者->接受者）的权重的代码：
  for row in zip(emails.MetadataFrom, emails.MetadataTo, emails.RawText):
      temp = (row[0], row[1])
      if temp not in edges_weights_temp:
          edges_weights_temp[temp] = 1
      else:
          edges_weights_temp[temp] = edges_weights_temp[temp] + 1
  
  如果你print(edges_weights_temp)应该是类似这样的结果：
  {('Jake Sullivan', 'Hillary Clinton'): 815, ('nan', 'Hillary Clinton'): 20, ('Cheryl Mills', ';h'): 1, ...
  这里('Jake Sullivan', 'Hillary Clinton') 就是我们的temp，也就(row[0], row[1])，也就是保存的发送者->接收者的次数，次数为815次。
  if temp not in edges_weights_temp 判断下在字典edges_weights_temp中是否已经存在了边temp，如果没有存在就创建一个，赋值为1，也就是代表他们通信了1次。如果存在了，就找出来当时的次数，然后+1

  2019-07-03

  

  
• 

  mickey

  import networkx as nx
  # 创建有向图
  G = nx.DiGraph()
  # 有向图之间边的关系
  edges = [("A", "B"), ("A", "C"), ("A", "D"), ("B", "A"), ("B", "D"), ("C", "A"), ("D", "B"), ("D", "C")]
  for edge in edges:
      G.add_edge(edge[0], edge[1])
  pagerank_list = nx.pagerank(G) #alpha为阻尼因子，默认值：0.85
  print("pagerank值是：", pagerank_list)
  
  pagerank值是： {'A': 0.3245609358176831, 'B': 0.22514635472743894, 'C': 0.22514635472743894, 'D': 0.22514635472743894}

  2019-03-05

  

  
• 

  王彬成

  1、pagerank_list=nx.pagerank(G,alpha=1)理解
  参考链接：https://networkx.github.io/documentation/networkx-1.10/reference/generated/networkx.algorithms.link_analysis.pagerank_alg.pagerank.html
  alpha指的是阻尼因子。根据公式了解到，这因子代表用户按照跳转链接来上网的概率。
  题目说15%的概率随机跳转，所以阻尼因子为0.85
  
  2、代码
  import networkx as nx
  # 创建有向图
  G=nx.DiGraph()
  # 有向图之间边的关系
  edges = [("A", "B"), ("A", "C"), ("A", "D"), ("B", "A"), ("B", "D"), ("C", "A"), ("D", "B"), ("D", "C")]
  for edge in edges:
      G.add_edge(edge[0],edge[1])
  pagerank_list=nx.pagerank(G,alpha=0.85)
  print('pagerank 值是: ', pagerank_list)
  
  3、结果
  pagerank 值是: {'A': 0.3245609358176831, 'B': 0.22514635472743894, 'C': 0.22514635472743894, 'D': 0.22514635472743894}
  
  

  编辑回复: 结果正确，对alpha阻尼因子的理解也正确

  2019-03-01

  

  