什么是Python中最高效的graphics数据结构？
我需要能够操纵python中的大型（10 ^ 7节点）图。 对应于每个节点/边的数据是最小的，比如less量的string。 在内存和速度方面，最有效率的方式是什么？
字典的字典是更灵活和更简单的实施，但我直观地期望列表的速度更快。 列表选项还要求我将数据与结构保持分开，而字典将允许某种types的数据：
graph[I][J]["Property"]="value" 你会build议什么？
是的，我应该更清楚我的意思是效率。 在这个特定的情况下，我的意思是随机访问检索。
将数据加载到内存不是一个大问题。 这一劳永逸。 耗时的部分是访问节点，所以我可以提取信息，并衡量我感兴趣的指标。
我没有考虑让每个节点都是一个类（所有节点的属性都是相同的），但是似乎会增加额外的开销。 我希望有人会有类似的情况下直接经验，他们可以分享。 毕竟，图是CS中最常见的抽象之一。
我强烈build议你看看NetworkX 。 这是一个经过考验的战争战争，也是大多数“研究”types需要分析基于networking的数据的第一个工具。 我已经在笔记本上操作了数百个边缘的graphics，没有问题。 其function丰富，非常易于使用。 你会发现自己更关注手头的问题，而不是基础实施的细节。
Erdős-Rényi随机图生成和分析的例子
""" Create an G{n,m} random graph with n nodes and m edges and report some properties. This graph is sometimes called the Erd##[m~Qs-Rényi graph but is different from G{n,p} or binomial_graph which is also sometimes called the Erd##[m~Qs-Rényi graph. """ __author__ = """Aric Hagberg (hagberg@lanl.gov)""" __credits__ = """""" # Copyright (C) 2004-2006 by # Aric Hagberg # Dan Schult # Pieter Swart # Distributed under the terms of the GNU Lesser General Public License # http://www.gnu.org/copyleft/lesser.html from networkx import * import sys n=10 # 10 nodes m=20 # 20 edges G=gnm_random_graph(n,m) # some properties print "node degree clustering" for v in nodes(G): print v,degree(G,v),clustering(G,v) # print the adjacency list to terminal write_adjlist(G,sys.stdout)
可视化也很简单：
更多可视化： http : //jonschull.blogspot.com/2008/08/graph-visualization.html
尽pipe这个问题现在已经很老了，但我认为值得提一下我自己的graphics操作的Python模块，称为graphics工具 。 这是非常有效的，因为数据结构和algorithm是用C ++实现的，使用模板元编程，使用Boost图库。 因此，它的性能（在内存使用和运行时）都可以与纯C ++库相比，并且可以比典型的Python代码好几个数量级，而不会牺牲易用性。 我自己经常使用它来处理非常大的图。
如前所述，NetworkX非常好，另一种select是igraph 。 两个模块都将拥有大多数（如果不是全部的话）您可能需要的分析工具，并且这两个库都经常用于大型networking。
字典也可能包含开销，取决于实际的实现。 散列表通常包含一些可用节点的素数，即使您只能使用几个节点。
从你的例子来看，“财产”，你会更好的最后一级和真正的属性阶级方法？ 或者是属性名称从节点到节点的变化很大？
我想说，“高效”的意思取决于很多事情，比如：
- 更新速度（插入，更新，删除）
- 随机访问检索的速度
- 连续检索的速度
- 内存使用
我认为你会发现一个快速的数据结构通常会消耗更多的内存。 情况并非总是如此，但是大多数数据结构似乎都是这样的。
字典可能易于使用，并给你相对一致的快速访问，它将最有可能使用更多的内存比，如你所build议的，列表。 但是，列表通常在向其中插入数据时往往会包含更多的开销，除非它们预先分配X节点，在这些节点中它们将再次使用更多的内存。
一般来说，我的build议是只使用最自然的方法，然后对系统进行“压力testing”，向其添加大量的数据，看看是否成为问题。
您也可以考虑在系统中添加一个抽象层，以便稍后需要更改内部数据结构时不必更改编程接口。
据我了解，Python的字典和列表都是随机访问，不同的是，你只能随意访问整数索引和列表。 我假设你需要通过标签查找节点，所以你需要一个字典的字典。
然而，在性能方面，将其加载到内存中可能不成问题，但如果使用太多，则最终会交换到磁盘，甚至会导致Python高效的字典性能下降。 尽量保持内存使用率下降。 另外，RAM现在非常便宜; 如果你做这种事情很多，没有理由不less于4GB。
如果您需要关于减less内存使用量的build议，请提供有关您要跟踪的每个节点的信息种类的更多信息。
构build一个基于类的结构可能会比基于字典的结构花费更多的开销，因为在python类实际使用时实际上使用了字典。
毫无疑问，到目前为止，NetworkX是最好的数据结构。 它带有像Helper函数，数据结构和algorithm，随机序列生成器，装饰器，Cuthill-Mckeesorting，上下文pipe理器
NetworkX是伟大的，因为它的graphics，二联图和多graphics。 它可以用多种方式编写graphics：邻接列表，多行邻接列表，边缘列表，GEXF，GML。 它适用于Pickle，GraphML，JSON，SparseGraph6等
它具有各种各样的radimadealgorithm，包括：近似，二分图，边界，中心性，派系，聚类，着色，组件，连通性，周期，有向无环图，距离测度，支配集，欧拉，同构，链接分析，链接预测，匹配，最小生成树，富有俱乐部，最短path，遍历，树。
