<aside> <img src="/icons/condense_yellow.svg" alt="/icons/condense_yellow.svg" width="40px" /> Python | C++ | 生物医学 | 模拟 | 数学 | 概率 | 细胞 | 图论 | 模型 | 干细胞 | 进化动力学 | 莫兰生死过程 | 计算生物学 | 蒙特卡罗模拟

</aside>

🎯要点

🎯 数学模型邻接矩阵及其相关的转移概率 | 🎯蒙特卡罗模拟进化动力学 | 🎯细胞进化交叉图族概率 | 🎯进化图模型及其数学因子 | 🎯混合图模式对进化概率的影响 | 🎯造血干细胞群体的空间图结构

📜网络结构模型用例

📜Python社群纽带关系谱和图神经

📜Python元胞自动机沙堆糖景堵塞模型图学习

📜Python竞技比赛流体动力学艺术品和药物质量图学习

🍪语言内容分比

pie title 语言分比
"C++":90
"Python":60

pie title 内容分比
"数学":60
"生物医学":70
"骨髓细胞":50
"概率":60
"蒙特卡罗模拟":50
"结构网络图":30
"进化动力学":20

✂️梗概

🍇Python图数据

我们经常使用表格来概括地表示信息。但图形使用专门的数据结构：节点代表一个元素，而不是表行。边连接两个节点以指示它们的关系。这种图数据结构使我们能够从独特的角度观察数据，这就是为什么图数据科学被应用于从分子生物学到社会科学的各个领域。

创建一个图很简单：

 import networkx as nx
 G = nx.Graph()

但 G 还不是一个图，它没有节点和边。

我们可以通过将 Graph() 的返回值与 .add_node() 链接在一起（或对于列表中的多个节点，使用 .add_nodes_from()）来将节点添加到网络。我们还可以通过传递字典作为参数来向节点添加任意特征或属性，如节点 4 和节点 5 所示：

 G.add_node("node 1")
 G.add_nodes_from(["node 2", "node 3"])
 G.add_nodes_from([("node 4", {"abc": 123}), ("node 5", {"abc": 0})])
 print(G.nodes)
 print(G.nodes["node 4"]["abc"]) # accessed like a dictionary

输出：

 ['node 1', 'node 2', 'node 3', 'node 4', 'node 5']
 123