cdlib.ensemble.pool_grid_filter

cdlib.ensemble.pool_grid_filter(graph: ~networkx.classes.graph.Graph, methods: ~typing.Callable[[~networkx.classes.graph.Graph, dict], object], configurations: list, quality_score: ~typing.Callable[[~networkx.classes.graph.Graph, object], object], aggregate: ~typing.Callable[[list], object] = <built-in function max>) → tuple

在输入图上执行社区发现内部池。 根据指定的质量函数，返回每个算法的最佳分区。

Parameters:

• methods – 列出社区发现方法（来自nclib.community）

• graph – networkx/igraph 对象

• 配置 – 由Parameter和BoolParameter对象组成的列表的列表（每个方法一个）

• quality_score – 用于评估所获得分区的适应度函数（来自 nclib.evaluation）

• aggregate – 用于选择最佳适应值的函数。可能的值：min/max

Returns:

每次调用时，生成器都会生成一个由以下内容组成的元组：实际方法、其最佳配置；获得的社区；适应度分数。

Raises:

ValueError – 如果方法的数量与指定的配置数量不同

Example:

>>> import networkx as nx
>>> from cdlib import algorithms, ensemble
>>> g = nx.karate_club_graph()
>>> # Louvain
>>> resolution = ensemble.Parameter(name="resolution", start=0.1, end=1, step=0.1)
>>> randomize = ensemble.BoolParameter(name="randomize")
>>> louvain_conf = [resolution, randomize]
>>>
>>> # Angel
>>> threshold = ensemble.Parameter(name="threshold", start=0.1, end=1, step=0.1)
>>> angel_conf = [threshold]
>>>
>>> methods = [algorithms.louvain, algorithms.angel]
>>>
>>> for communities, scoring in ensemble.pool_grid_filter(g, methods, [louvain_conf, angel_conf], quality_score=evaluation.erdos_renyi_modularity, aggregate=max):
>>>     print(communities, scoring)