Pythonarium
Published in

Pythonarium

Gráfok kezelése Pythonban — Gráfbejárások

Ebben a cikkben gráfokkal kapcsolatos közismert gráfbejárási algoritmusok példaimplementációiról lesz szó.

A cikk elérhető a Githubon is.

A cikkben bemutatott algoritmusokhoz használt Jupyter Notebook elérhető a következő linken: https://github.com/nlharri/Pythonarium/blob/master/SourceCode/GraphAlgorithms/GraphAlgorithms1.ipynb

A cikkben a következő Python package-eket fogom használni:

  • networkx: komplex hálózatok struktúrájának, dinamikájának a tanulmányozására szolgáló csomag. Gráfok létrehozására és ábrázolására fogom használni.
  • numpy: tudományos számítások végzésére használható csomag. A networkx csomag gráf objektumának adjacencia mátrixát vissza lehet kérni a numpy mátrix formátumában. Emiatt fogom használni.
  • matplotlib: 2D rajzoló csomag. A gráfok megjelenítéséhez fogom használni a networkx-szel együtt.

A networkx csomaggal a fentihez hasonló gráfokat lehet megjeleníteni. Pl. a fenti gráfot az alábbi programmal lehet megjeleníteni, Jupyter Notebook-ban vagy Google Colab környezetben. Mivel itt egy véletlenszerűen generált gráfot állítunk elő, így minden futtatáskor máshogy fog kinézni a gráf. Az alábbi programról később még lesz szó.

Mik a gráfok?

A gráf formális definíciója egy G(V,E) pár, ahol V a csúcsok véges halmaza, E pedig az élek halmaza. Egy él két csúcsból alkotott rendezetlen vagy rendezett pár. Egy gráf élei lehetnek irányítottak vagy irányítatlanok, lehetnek súlyozottak vagy súlyozatlanok. Tehát megkülönböztetjük az alábbiakat:

  • irányítatlan, súlyozatlan gráfok
  • irányított, súlyozatlan gráfok
  • irányítatlan, súlyozott gráfok
  • irányított, súlyozott gráfok

A súlyozatlan gráfokat elképzelhetjük úgy, mint a súlyozott gráfok speciális esetét, amikor minden súly 1. Az irányítatlan gráfokat pedig elképzelhetjük úgy, mint az irányított gráfok speciális esetét, amikor minden él mindkét irányban járható.

Amennyiben egy él mindkét végpontja ugyanaz a csúcs, akkor hurokélről beszélünk.

Photo by Alina Grubnyak on Unsplash

Gráfok tárolása

Rögtön adódik a kérdés, hogy hogyan érdemes tárolni, ábrázolni egy gráfot. Két általánosan elterjedt ábrázolási módot ismertetek, a szomszédsági mátrixot és az éllistás ábrázolást.

Szomszédsági mátrix

Vegyük példaként az alábbi, irányítatlan, súlyozatlan gráfot.

A szomszédsági mátrix (adjacencia mátrix, csúcsmátrix) egy olyan, számokból álló táblázat, amelynek annyi sora és oszlopa van, ahány csúcsa van a gráfnak. A példánkban használt gráfnak 5 csúcsa van, ezért a mátrix 5x5-ös. A mátrix i. sorának j. oszlopában szerepel annak az élnek a súlya, amelyik az i. csúcsból a j. csúcsba megy. Ha nincs él az i.-ből a j. csúcsba, akkor a végtelen értéket kell használnunk a mátrix elemeként. Súlyozatlan gráfoknál minden elem 0 vagy 1 értékű. Irányítatlan gráfoknál a mátrix szimmetrikus.

A továbbiakban egyszerű gráfokkal dolgozunk, amelyek nem tartalmaznak sem hurokéleket, sem többszörös éleket. Így a mátrix főátlójában mindig 0-k szerepelnek.

A fenti gráfnak a szomszédsági mátrixa a következőképpen néz ki:

Éllistás ábrázolás

Ebben az esetben a gráf csúcsai egy listában tároljuk. A lista minden eleméhez hozzárendelünk egy-egy listát: a csúcsból induló élek listáját.

A csúcshoz rendelt lista elemeiben a csúcsból kiinduló élek célcsúcsainak azonosítóját tároljuk. Irányítatlan esetben a célcsúcshoz tartozó listában is eltároljuk az él másik végpontját. Súlyozott esetben a célcsúcsot tartalmazó listaelem tartalmazni fogja az él súlyát is.

A fenti gráf éllistás ánrázolása a következő:

Photo by Caspar Camille Rubin on Unsplash

Gráfok kezelése Pythonban

A Pythonban a gráfok kezelése ebben a cikkben a networkx csomagot fogom használni. Ez a csomag összetett hálózatok létrehozását, manipulálását, tanulmányozását teszi lehetővé.

A networkx használatához telepíteni kell azt a pip segítségével:

pip install networkx --upgrade

Gráfok megjelenítése

Az alábbi program a fent vázolt gráfot definiálja majd megjeleníti a networkx csomag használatával:

import networkx as nx

G=nx.Graph()
G.add_nodes_from(["a", "b", "c", "d", "e"])
G.add_edges_from([("a", "b"),
("b", "c"),
("c", "a"),
("a", "d"),
("c", "e"),
("d", "e")])

nx.draw_networkx(G)

Most térjünk vissza a bevezetőben mutatott programra.

Először a szükséges könyvtárakat és függvényeket kell beimportálni. A matplotlib.pyplot egy állapot-alapú interface a matplotlib-hez. A MATLAB-hoz hasonló rajzolást tesz lehetővé. A következő a networkx könyvtár, majd a networkx.drawing.nx_pydot könyvtárból a graphviz_layout. A networkx.drawing.nx_pydot lehetővé teszi NetworkX gráfok importálását és exportálását Graphviz formátumra a pydot segítségével. A pydot egy Python csomag ami egy interfészt kínál a Graphviz könyvtárhoz, és a Graphviz által használt DOT formátumot tudja létrehozni és feldolgozni. A DOT formátum egy gráfleíró formátum (nem összekeverendő a Microsoft Word által használt dot formátummal). A Graphviz egy nyílt forráskódu gráfmegjelenító szoftver. A graphviz nevű Python csomag egy interfész a Graphvizhoz.

Ebben a példában először létrehozunk egy G gráfot a networkx csomag random_geometric_graph metódussal. A random_geometric_graph egy véletlen geometriai gráfot hoz létre egy egységkockában. A függvény szignatúrája a következőképpen néz ki:

def random_geometric_graph(n, radius, dim=2, pos=None)

A véletlenszerű geometriai gráf n db csúcsot tartalmaz, melyek pozíciói egyenletes eloszlású valószínűségi változót követve helyezkendek el. Két csúcs akkor van összekötve éllel, ha a csúcsok közötti euklideszi távolság legfeljebb radius. Tehát a fent látható gráf 100 csúcsból áll (n = 100) és a radius értéke 0.125.

A következő utasításban a grapviz_layout függvény hívása. A graphviz_layout egy függvény amivel egy gráf csúcsainak pozícióit tudjuk létrehozni. Paraméterként meg kell adni a gráfot, az elrendezéshez használt GraphViz program nevét. A GraphViz program nevének lehetséges értékeinek listája függ a Graphviz verziójától, de alapvetően a circo, dot,fdp, neato, osage, patchwork, sfdp,twopi lehetőségekből lehet választani. Ezekről az algoritmusokról részletesen az alábbi linkeken található információ:

Harmadik paraméterként pedig meg lehet adni egy kezdő csúcsát a gráfnak, ahonnan a rendező algoritmus elindul, de ennek a megadása nem kötelező. A függvény visszaad egy dict típust amelynek kulcsa a csúcspontok, és értékei az (x,y) pozíciók.

def graphviz_layout(G, prog='neato', root=None)

Ezek után a matplotlibbel és a networkxszel történik a gráf megjelenítése.

Gráfok él- és csúcsszámának lekérdezése

print("Nodes of graph: {}".format(G.nodes()))
print("Edges of graph: {}".format(G.edges()))

Kimenet:

Nodes of graph: ['a', 'b', 'c', 'd', 'e']
Edges of graph: [('a', 'b'), ('a', 'c'), ('a', 'd'), ('b', 'c'), ('c', 'e'), ('d', 'e')]

Gráfok adjacenciamátrixának elérése

Az adjacenciamátrixot a to_numpy_matrix() függvénnyel lehet elérni. (További lehetőségekről a referencia dokumentáció ad tájékoztatást.)

m = nx.to_numpy_matrix(G)
print(m)

Kimenet:

[[0. 1. 1. 1. 0.]
[1. 0. 1. 0. 0.]
[1. 1. 0. 0. 1.]
[1. 0. 0. 0. 1.]
[0. 0. 1. 1. 0.]]

Az alább ismertetett algoritmusoknál az adjacenciamátrixot fogom használni a gráf elérésére. Az algoritmusokat a Google Colab rendszerben implementáltam.

A szélességi és mélységi bejáráshoz a következő gráfot fogom használni:

Gráfbejárás mélységi kereséssel

A mélységi bejárás algoritmusát itt is a depth_first_search() függvény tartalmazza. A mélységi bejárás lényege, hogy egy adott csúcsból kiindulva először a csúcs első szomszédját látogatom meg, és már az első szomszéd meglátogatásakor meglátogatom ennek is az első szomszédját. Csak akkor lépek tovább a következő szomszéd meglátogatására, amikor az előző szomszéd minden szomszédja (és azoknak is minden szomszédja) meg lett látogatva. Így a bejárás során hamar a gráf mélyére jutok, a legtávolabbi csúcshoz.

Az alábbi programban figyelemmel kísérjük a meglátogatott csúcsokat (visited_vertices).

A program a kimenetre kiírja a csúcsok meglátogatásának sorrendjét.

Nodes of graph: ['0', '1', '2', '3', '4', '5', '6', '7']
Edges of graph: [('0', '1'), ('0', '2'), ('0', '3'), ('0', '6'), ('0', '5'), ('1', '2'), ('2', '4'), ('2', '5'), ('2', '7'), ('3', '4'), ('3', '5'), ('4', '6')]
visiting 0
visiting neighbours of 0
stepping to edge (0, 1)
visiting 1
visiting neighbours of 1
stepping to edge (1, 0)
0 was already visited
stepping to edge (1, 2)
visiting 2
visiting neighbours of 2
stepping to edge (2, 0)
0 was already visited
stepping to edge (2, 1)
1 was already visited
stepping to edge (2, 4)
visiting 4
visiting neighbours of 4
stepping to edge (4, 2)
2 was already visited
stepping to edge (4, 3)
visiting 3
visiting neighbours of 3
stepping to edge (3, 0)
0 was already visited
stepping to edge (3, 4)
4 was already visited
stepping to edge (3, 5)
visiting 5
visiting neighbours of 5
stepping to edge (5, 0)
0 was already visited
stepping to edge (5, 2)
2 was already visited
stepping to edge (5, 3)
3 was already visited
stepping to edge (4, 6)
visiting 6
visiting neighbours of 6
stepping to edge (6, 0)
0 was already visited
stepping to edge (6, 4)
4 was already visited
stepping to edge (2, 5)
5 was already visited
stepping to edge (2, 7)
visiting 7
visiting neighbours of 7
stepping to edge (7, 2)
2 was already visited
stepping to edge (0, 2)
2 was already visited
stepping to edge (0, 3)
3 was already visited
stepping to edge (0, 5)
5 was already visited
stepping to edge (0, 6)
6 was already visited
Vertices were visited in the following sequence: [0, 1, 2, 4, 3, 5, 6, 7]

Gráfbejárás szélességi kereséssel

A szélességi bejárás algoritmusát a breadth_first_search() függvény tartalmazza. A szélességi bejárás lényege, hogy egy adott csúcsból kiindulva először a csúcs szomszédait látogatom meg. Majd veszem az első, második, stb. szomszédját, és újra ugyanígy járok el. Így a látogatások egyre távolabb kerülnek a kiinduló csúcstól, de közben az adott távolságig az összes csúcsot meglátogatom.

Az alábbi programban figyelemmel kísérjük a meglátogatott csúcsokat (visited_vertices).

Ennek a programnak a kimenete a következő:

Nodes of graph: ['0', '1', '2', '3', '4', '5', '6', '7']
Edges of graph: [('0', '1'), ('0', '2'), ('0', '3'), ('0', '6'), ('0', '5'), ('1', '2'), ('2', '4'), ('2', '5'), ('2', '7'), ('3', '4'), ('3', '5'), ('4', '6')]
visiting 0
visiting 1
visiting 2
visiting 3
visiting 5
visiting 6
2 was already visited
visiting 4
5 was already visited
visiting 7
4 was already visited
5 was already visited
4 was already visited
Vertices were visited in the following sequence: [0, 1, 2, 3, 5, 6, 4, 7]

Ha megnézzük a csúcsok meglátogatásának a sorrendjét ([0, 1, 2, 3, 5, 6, 4, 7]) és a gráfot a képen, akkor látható, hogy valóban először egy mélységig megyünk a gráfban, majd 2 mélységig, és így tovább. Egy "mélyebb" gráffal ez még jobban látszik. Az alábbi kód egy másik gráfot hoz létre, ami alatta látható. (A gráfbejáró algoritmus ugyanaz, mint előbb.)

A fenti algoritmust lefuttatva erre a gráfra az alábbi csúcs-sorrendet kapjuk.

[0, 1, 2, 3, 5, 6, 4, 7, 8, 9, 10, 11]

Mégegy érdekes példa, egy körkörösen ábrázolt fa:

Erre a G gráfra lefuttatva a bejárást, az eredmény a következő:

Nodes of graph: [0, 1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12, 13, 14]
Edges of graph: [(0, 1), (0, 2), (1, 3), (1, 4), (2, 5), (2, 6), (3, 7), (3, 8), (4, 9), (4, 10), (5, 11), (5, 12), (6, 13), (6, 14)]
visiting 0
visiting 1
visiting 2
visiting 3
visiting 4
visiting 5
visiting 6
visiting 7
visiting 8
visiting 9
visiting 10
visiting 11
visiting 12
visiting 13
visiting 14
Vertices were visited in the following sequence: [0, 1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12, 13, 14]

--

--

--

Python tanulása lépésről lépésre. A Pythonarium weboldal célja alapvető ismeretek közlése a Python programozási nyelvről és annak használatáról különféle területeken. A honlap teljes anyaga elérhető a Githubon: https://github.com/nlharri/Pythonarium/tree/master/Documentation/hu

Get the Medium app

A button that says 'Download on the App Store', and if clicked it will lead you to the iOS App store
A button that says 'Get it on, Google Play', and if clicked it will lead you to the Google Play store
László Harri Németh

László Harri Németh

Software developer. Python, SQL, ABAP, Swift, Javascript, Java, C, C++, Ruby, noSQL, Bash, Linux. http://nlharri.hu http://github.nlharri.hu hello@nlharri.hu

More from Medium

How to compute the Betweenness Centrality against Nebula Graph

Semantic Search Introduction

How to use feature extraction to organise image data

Mapping renewable power plants in Argentina — Dynamic SVG marker creation in folium