大势所趋！数据科学家必知的5种图算法

在万物相连的世界里，用户并不是独立的个体，彼此之间都有某种联系。构建机器学习模型时，有时也会将这种联系放入模型中。

虽然关系数据库中无法在不同数行(用户)间使用这种关系，但在图数据库里，这样做非常简单。

本文将介绍一些数据科学家必知的重要的图算法，并阐释如何用Python来使用它们。

另外，强烈推荐先学习图理论基础。

圣地亚哥大学发布于Coursera上的大数据课程的图分析课：https://www.coursera.org/learn/big-data-graph-analytics?ranMID=40328&ranEAID=lVarvwc5BD0&ranSiteID=lVarvwc5BD0-uD3tAFL0mCUdzcfwDd6FTQ&siteID=lVarvwc5BD0-uD3tAFL0mCUdzcfwDd6FTQ&utm_content=2&utm_medium=partners&utm_source=linkshare&utm_campaign=lVarvwc5BD0

1. 连通分支

包含3个连接组件的图

大家都知道聚类算法如何工作吧?

简单地说，就是将连通分支看作一种硬聚类算法，让它在相关/相连数据中找到聚类/岛。

举个具体的例子：假设有一份连接世界上任意两个城市的道路数据，而你需要借此找到世界上所有大洲和所包含的城市。

这要如何实现呢?开动脑筋吧。

此处使用的连通分支算法是基于BFS/DFS的特殊情况，此处不多赘述。以下会解释如何使用Networkx启动和运行代码。

应用

从零售的角度来看：假设有很多客户使用很多的帐户，连通分支算法可用于在数据集中找出不同的家庭。

根据相同的信用卡使用情况、相同的地址或相同的电话号码等，可以假定客户ID之间的联系(路)。一旦有了这些联系，就可以对其运行连通分支算法来创建单独的集群，然后为其分配一个家庭ID。

接着就可以使用这些家庭ID根据家庭需求提供个性化推荐。还可以用它来创建基于家族的分组特性，从而不断完善分类算法。

从金融角度来看：这些家庭ID还能用来捕获欺诈。如果某个账户有过欺诈行为，关联账户也很可能实施欺诈。

应用的无限可能性全凭你的想象定夺。

编码

此处将使用Python中的Networkx模块来创建和分析图表。

先看一个会用到的示例图，其中包含城市和城市之间的距离信息。

随机距离示意图

首先，创建联系列表和作为联系权重的距离列表:

edgelist = [['Mannheim', 'Frankfurt', 85], ['Mannheim', 'Karlsruhe', 80], ['Erfurt', 'Wurzburg', 186], ['Munchen', 'Numberg', 167], ['Munchen', 'Augsburg', 84], ['Munchen', 'Kassel', 502], ['Numberg', 'Stuttgart', 183], ['Numberg', 'Wurzburg', 103], ['Numberg', 'Munchen', 167], ['Stuttgart', 'Numberg', 183], ['Augsburg', 'Munchen', 84], ['Augsburg', 'Karlsruhe', 250], ['Kassel', 'Munchen', 502], ['Kassel', 'Frankfurt', 173], ['Frankfurt', 'Mannheim', 85], ['Frankfurt', 'Wurzburg', 217], ['Frankfurt', 'Kassel', 173], ['Wurzburg', 'Numberg', 103], ['Wurzburg', 'Erfurt', 186], ['Wurzburg', 'Frankfurt', 217], ['Karlsruhe', 'Mannheim', 80], ['Karlsruhe', 'Augsburg', 250],["Mumbai", "Delhi",400],["Delhi", "Kolkata",500],["Kolkata", "Bangalore",600],["TX", "NY",1200],["ALB", "NY",800]] 

用 Networkx创建一个图：

g = nx.Graph() 
for edge in edgelist: 
g.add_edge(edge[0],edge[1], weight = edge[2]) 

现在要从这张图中找出不同的大陆及其城市。

可以这样/(按如下方式)使用连通分支算法：

for i, x in enumerate(nx.connected_components(g)): 
print("cc"+str(i)+":",x) 
------------------------------------------------------------ 
cc0: {'Frankfurt', 'Kassel', 'Munchen', 'Numberg', 'Erfurt', 'Stuttgart', 'Karlsruhe', 'Wurzburg', 'Mannheim', 'Augsburg'} 
cc1: {'Kolkata', 'Bangalore', 'Mumbai', 'Delhi'} 
cc2: {'ALB', 'NY', 'TX'} 

如上所示，只需要使用联系和顶点就可以在数据中找到不同的组件。这个算法可以在不同的数据上运行来满足以上提到的任何案例。

2. 最短路径

上面已经得到德国城市以及各城市距离的图。

接着，要得出从法兰克福(起始节点)到慕尼黑的最短距离。

解决此问题的算法叫Dijkstra算法。用Dijkstra本人的话来说：

从鹿特丹到格罗宁根的捷径是什么?或者说，从任意一个城市到另一个城市。设计这个最短路径的算法，我只花了20分钟。一天早上，我和年轻的未婚妻在阿姆斯特丹购物。逛累了之后，我们坐在咖啡馆露台上喝了一杯咖啡，我就想能不能做到这一点，然后就设计了最短路径算法。就像之前所说，这是一个20分钟的发明。事实上，这本书在三年后的1959年出版，现在还能读到。它是本很好的书，因为我当时没有用铅笔和纸来设计。后来我发现，不用铅笔和纸设计的好处之一是，设计时必须要化繁为简。最终，我没想到，这个算法竟然成了我的成名作之一。

—— Edsger Dijkstra, 和Philip L. Frana的一段采访对话，美国计算机学会通讯，2001[3]

（编辑：ASP站长网）