📚旁征博引

<aside> <img src="/icons/condense_green.svg" alt="/icons/condense_green.svg" width="40px" /> 模板元编程 生成式模型 成对相互作用 非参数贝叶斯 后验概率 邻接矩阵 随机块模型 马尔可夫链蒙特卡罗 概率密度函数 统计分析

</aside>

🎯要点

🎯分层结构制定生成模型 | 🎯贝叶斯模型选择程序 | 🎯分层结构图的信息性 | 🎯分层模型适应实值边协变量的网络 | 🎯分层模型适应时变网络，划分层对应于检测变化点 | 🎯定义两种版本随机块模型：🖊具有边缘协变量模型概率分布，分层图总似然 | 🖊独立分层模型分层图数学似然计算 | 🎯推理算法：大图形尺度并行计算算法，过滤暂时被遮蔽的节点和边

📜分层图算法和统计推理用例

📜Python层内层外多图布局图基分析

📜C++和R穿刺针吸活检肿瘤算法模型模拟和进化动力学量化差异模型

📜Python药物副作用生物图分析算法和矩阵降维算法

📜Python鲁汶意外莱顿复杂图拓扑分解算法

📜Python群体趋向性潜关联有向无向多图层算法

📜Python和MATLAB网络尺度结构和幂律度大型图生成式模型算法

📜MATLAB和Python零模型社会生物生成式结构化图

🍪语言内容分比

pie title 语言分比
 "Python":90
 "C++":80

pie title 内容分比
 "图论":90
 "数学":60
 "概率":40
 "统计推理":50
 "算法":40
 "分层图、边值图、时变图":30

✂️梗概

🍇Python交通图模拟

假设我们的业务正在以惊人的速度增长。我们希望通过在 G.nodes 代表的当地城镇之一张贴广告牌来扩大我们的客户群。为了最大限度地提高广告牌的浏览量，我们将选择交通最繁忙的城镇。直观地说，交通量是由每天经过城镇的汽车数量决定的。我们可以根据预期的每日交通量对 G.nodes 中的 31 个城镇进行排序，使用简单的建模，我们可以从城镇之间的道路网络预测交通流量。

flowchart LR
A1((1))---A6((6)) & A5((5)) & A4((4)) & A7((7)) & A2((2))
A6---A7 & A0((0)) & A2 & A3((3))
A5---A4 & A3 & A2 
A7---A4 & A3 & A2 & A0 & A16((16))
A4---A2 & A3 & A0
A3---A2 & A9((9)) & A14((14))
A2---A0 & A14
A0---A13((13))
A9---A10((10)) & A11((11)) & A8((8))
A14---A16 & A15((15)) & A12((12)) & A17((17)) & A13 & A25((25))
A16---A15 & A12 & A17 & A13
A15---A17 & A12
A13---A17 & A28((28))
A17---A8 & A12 & A23((23))
A12---A23 & A18((18)) & A19((19))
A8---A11 & A17 & A29((29)) & A25
A11---A10 & A30((30))

我们需要一种根据预期流量对城镇进行排名的方法。简单来说，我们可以简单地计算每个城镇的入站道路数：拥有五条道路的城镇可以接收来自五个不同方向的交通，而只有一条道路的城镇的交通流量则更为有限。节点的入度是指向节点的有向边的数量。但是，与网站图不同，我们的道路网络是无向的：入站边和出站边之间没有区别。因此，节点的入度和出度之间没有区别；这两个值相等，因此无向图中节点的边数简称为节点的度。我们可以通过对图的邻接矩阵的第 i 列求和来计算任何节点 i 的度，或者我们可以通过运行 len(G.nodes[i]) 来测量度。或者，我们可以通过调用 G.degree(i) 来利用 NetworkX 度方法。在这里，我们利用所有这些技术来计算经过 0 号镇的道路数量。