Почему я получил тот же график?

Question

Я использую networkx в ipython для анализа своего графа или сети, когда я сгенерировал максимальное связующее дерево и минимальное связующее дерево, я получил очень странный результат, что эти два графа одинаковы! Это мой код ниже:

a=nx.maximum_spanning_tree(pearson_net)
b=nx.minimum_spanning_tree(pearson_net)

pearson_net - это моя оригинальная сеть (граф), я хочу получить ребра этих двух графов, но эти ребра абсолютно одинаковы!

a.edges()

Это ребра графа а:

EdgeView([('600000.SH', '600015.SH'), ('600000.SH', '600016.SH'), 
('600000.SH', '600030.SH'), ('600000.SH', '600036.SH'), 
('600000.SH','600109.SH'), ('600000.SH', '600816.SH'), 
('600000.SH','600837.SH'), ('600000.SH', '600999.SH'), 
('600000.SH', '601009.SH'), ('600000.SH', '601099.SH'), 
('600000.SH', '601166.SH'), ('600000.SH', '601288.SH'), 
('600000.SH', '601318.SH'), ('600000.SH', '601328.SH'), 
('600000.SH', '601336.SH'), ('600000.SH', '601377.SH'), 
('600000.SH', '601398.SH'), ('600000.SH', '601555.SH'), 
('600000.SH', '601601.SH'), ('600000.SH', '601628.SH'), 
('600000.SH', '601688.SH'), ('600000.SH', '601788.SH'), 
('600000.SH', '601818.SH'), ('600000.SH', '601939.SH'), 
('600000.SH', '601988.SH'), ('600000.SH', '601998.SH'), 
('600000.SH', '000001.SZ'), ('600000.SH', '000686.SZ'), 
('600000.SH', '000728.SZ'), ('600000.SH', '000750.SZ'), 
('600000.SH', '000776.SZ'), ('600000.SH', '000783.SZ'), 
('600000.SH', '002142.SZ'), ('600000.SH', '002500.SZ'), 
('600000.SH', '002673.SZ')])

а потом

b.edges()

Это ребра графа b:

    EdgeView([('600000.SH', '600015.SH'), ('600000.SH', '600016.SH'), 
('600000.SH', '600030.SH'), ('600000.SH', '600036.SH'), 
('600000.SH','600109.SH'), ('600000.SH', '600816.SH'), 
('600000.SH','600837.SH'), ('600000.SH', '600999.SH'), 
('600000.SH', '601009.SH'), ('600000.SH', '601099.SH'), 
('600000.SH', '601166.SH'), ('600000.SH', '601288.SH'), 
('600000.SH', '601318.SH'), ('600000.SH', '601328.SH'), 
('600000.SH', '601336.SH'), ('600000.SH', '601377.SH'), 
('600000.SH', '601398.SH'), ('600000.SH', '601555.SH'), 
('600000.SH', '601601.SH'), ('600000.SH', '601628.SH'), 
('600000.SH', '601688.SH'), ('600000.SH', '601788.SH'), 
('600000.SH', '601818.SH'), ('600000.SH', '601939.SH'), 
('600000.SH', '601988.SH'), ('600000.SH', '601998.SH'), 
('600000.SH', '000001.SZ'), ('600000.SH', '000686.SZ'), 
('600000.SH', '000728.SZ'), ('600000.SH', '000750.SZ'), 
('600000.SH', '000776.SZ'), ('600000.SH', '000783.SZ'), 
('600000.SH', '002142.SZ'), ('600000.SH', '002500.SZ'), 
('600000.SH', '002673.SZ')])

Я не могу понять этот результат. Почему Maximum_spanning_tree - это то же самое, что и imum_spanning_tree?

Это график pearson_net:

Это полный граф, один узел может быть связан с любым другим узлом. Это часть набора данных pearson_net'dnet: Столбцы и индекс - это узел графа, число (коэффициент, коррелированный по Пирсону) - это вес ребра.

Это мой полный код:

pearson_net=nx.Graph()
for i in range(pearson):
   for j in range(i+1,pearson):
     pearson_net.add_edge(pearson.index[i],pearson.columns[j],......
     weights=pearson.iloc[i][j])
tree1=nx.minimum_spanning_tree(pearson_net)
tree2=nx.maximum_spanning_tree(pearson_net)

"Пирсон" - это матрица коррелированного коэффициента, который ранее представлял собой набор данных.

Answer 1

Тестирование минимального и максимального связующего дерева

Нам нужно использовать минимальный пример для контроля результатов minimum_spanning_tree() а также maximum_spanning_tree() функции:

a_mat = [
    [1.,0.661435,0.667419,0.547633],
    [0.661435,1.,0.676438,0.542115],
    [0.667419,0.676438,1.,0.500370],
    [0.547633,0.542115,0.500370,1.]
]
G = nx.from_numpy_matrix(np.array(a_mat))
pos = nx.spring_layout(G)
nx.draw_networkx_nodes(G,pos=pos)
nx.draw_networkx_edges(G,pos=pos)
nx.draw_networkx_edge_labels(G, pos=pos)
plt.axis('off')
plt.show()

Из этого примера мы можем легко найти минимальное остовное дерево, добавив веса самых нижних ребер (0.50037, 0.547633, 0.542115)

В самом деле:

mi = nx.minimum_spanning_tree(G)
mi.edges(data=True)

[Из]:

EdgeDataView([(0, 3, {'weight': 0.547633}), (1, 3, {'weight': 0.542115}), (2, 3, {'weight': 0.50037})])

Для максимального остовного дерева мы можем предсказать из графика максимальную сумму весов ребер (0.661435, 0.667419,0.547633):

ma = nx.maximum_spanning_tree(G)
ma.edges(data=True)

[Из]:

EdgeDataView([(0, 2, {'weight': 0.667419}), (0, 3, {'weight': 0.547633}), (1, 2, {'weight': 0.676438})])

Из этого простого примера мы можем наблюдать, что две функции ведут себя как ожидалось.

Если вы покажете нам свой код, мы сможем найти ошибку для вас.

[Редактировать] Построение графика из Dataframe

Из вашего обновления явствует, что ваша матрица Пирсона является пандой Dataframe. Здесь та же процедура, начиная с Dataframe. Вы можете использовать специальный метод networkx nx.from_pandas_adjacency(),

import pandas as pd
df = pd.DataFrame(a_mat)

Создать график

pearson_net = nx.from_pandas_adjacency(df)

pos = nx.spring_layout(pearson_net)
nx.draw_networkx_nodes(pearson_net,pos=pos)
nx.draw_networkx_edges(pearson_net,pos=pos)
nx.draw_networkx_edge_labels(pearson_net, pos=pos)
plt.axis('off')
plt.show()

[Из]:

Вызов методов связующего дерева

tree1=nx.minimum_spanning_tree(pearson_net)
tree2=nx.maximum_spanning_tree(pearson_net)

tree1.edges(data=True)

[Из]:

EdgeDataView([(0, 3, {'weight': 0.547633}), (1, 3, {'weight': 0.542115}), (2, 3, {'weight': 0.50037})])

nx.draw_networkx_nodes(tree1,pos=pos)
nx.draw_networkx_edges(tree1,pos=pos)
nx.draw_networkx_edge_labels(tree1, pos=pos)
plt.axis('off')
plt.show()

[Из]:

tree2.edges(data=True)

[Из]:

EdgeDataView([(0, 2, {'weight': 0.667419}), (0, 3, {'weight': 0.547633}), (1, 2, {'weight': 0.676438})])

nx.draw_networkx_nodes(tree2,pos=pos)
nx.draw_networkx_edges(tree2,pos=pos)
nx.draw_networkx_edge_labels(tree2, pos=pos)
plt.axis('off')
plt.show()

[Из]: