我有一个180x180的邻接矩阵，我试图生成所有可能的组合以使用NetworkX进行工作。
我想顺序删除图表的各个部分，然后确定对新编辑的图表的整体效率的影响。
在此视图中，一组可能的组合是彼此相邻的所有节点集，以及从假定子图彼此连续直到子图的所有子图可能组合。
运行所有组合的蛮力方法太慢，对于超过15个的任何删除序列，其运行时间约为21小时。因此，我们仅通过查看彼此相邻的组合来解决此问题。
基本上，代码需要执行以下操作：
导入包含二进制邻接矩阵的csv，其中1表示物理连续性（在本例中为大脑）
导入到networkx图形
确定距离最长为1的所有组合集....换句话说，如果两个节点或两个节点集的两端相距大于1，则它们将被忽略
为每个可能的组合生成这些节点集的列表
这是基本问题
假设大脑区域的物理空间包括几个大致像这样坐着的区域...假设这些是装饰平面的不规则多边形
1 2 3 4 5
6 7 8 9
10 11
我们可以将其设为邻接矩阵，其中1表示区域共享边界，0表示区域在物理上没有边界
+--+---------------------------------+
| | 1 2 3 4 5 6 7 8 9 10 11|
+--+---------------------------------+
|1 | 0 1 0 0 0 1 0 0 0 0 0 |
|2 | 1 0 1 0 0 0 1 1 0 0 0 |
|3 | 0 1 0 1 0 0 0 1 1 0 0 |
|4 | 0 0 1 0 1 0 0 0 1 0 0 |
|5 | 0 0 0 1 0 0 0 0 1 0 0 |
|6 | 1 0 0 0 0 0 1 0 0 1 0 |
|7 | 0 1 0 0 0 1 0 1 0 1 1 |
|8 | 0 1 1 0 0 0 1 0 1 0 1 |
|9 | 0 0 1 1 0 0 0 1 0 0 0 |
|10| 0 0 0 0 0 1 1 0 0 0 1 |
|11| 0 0 0 0 0 0 1 1 0 1 0 |
+--+---------------------------------+
基本上，邻接矩阵代表大脑的彼此相邻的部分……我们要仔细研究并生成这些节点的分组列表，这些列表以单个节点开始，并随着与请注意，我们不希望这些组合彼此不物理接触.....
例如，这样的列表将有1,2，.... 11
还有1 + 2和7 + 8等
最终我们将拥有2 + 7 + 8和6 + 7 + 8 + 10，因为所有这些节点相互接触并形成一个连接的组件
因为他们不共享边界，所以不允许1-11，因为他们不触摸边界，所以不允许4 + 5 + 10
之所以如此重要，是因为我们是脑外科医师，并且为了生存而删除了部分图...即脑图....但是您永远都不会删除彼此不相邻的节点...我们正在尝试使用图形定义我们可以进行的手术....因此我们需要使用python生成在现实世界中有意义的节点删除的所有可能组合...二进制邻接矩阵表示物理空间中的现实
一旦我有了一个节点删除的合理组合列表，我就有了采用不同熊猫数据帧的代码....将节点和边缘清零，然后创建一个networkx图，我们在该图上运行效率指标.....我只是需要一种方法来确定所有可能的毗连组件集，以便我们不会在解剖上令人难以置信的组合
我考虑解决此问题的方式是在networkx中使用某种连续的组件功能，但是无论如何我都无法从图中导出连接的组件的所有可能组合
本质上，代码会像这样
boundary=pd.read_csv(adjacency.csv)
G=networkx.from_pandas_adjacency(boundary)
combo="something to iterate the graph g to create a list of all connected components"
for row in combo:
values = row
datasafe=pandas.read_csv("connections.csv", index_col=0)
datasafe.loc[values, :] = 0
datasafe[values] = 0
g=networkx.from_pandas_adjacency(datasafe)
h=networkx.from_pandas_adjacency(datasafe)
le=local_efficiency(g)
LE_list.append(le)
ge=global_efficiency(h)
GE_list.append(ge)
output=pandas.DataFrame(list(zip(combo, GE_list,LE_list)))
output.to_csv('multi.csv',index=None)
请注意，我们使用一个csv来确定列表，并在不同的CSV上使用该列表
在此先感谢...这是您正在解决的重要问题，它将挽救生命
最佳答案
您连接的组件的正确命名为complete subgraph（不要与真正的connected components混为一谈）。您的问题称为clique problem。 networkx有几种算法可以解决此问题：
networkx cliques
您的问题可以通过以下功能解决：networkx.algorithms.clique.enumerate_all_cliques
请注意，此函数会返回所有可能的派系，并且长度也为1和2（即每个节点和每个边），因此您应该过滤1-2个长度的派系。例如，对于您的图形，此函数返回：
list(nx.enumerate_all_cliques(G))
[[0],
[1],
[2],
[3],
[4],
[5],
[6],
[7],
[8],
[9],
[10],
[0, 1],
[0, 5],
[1, 2],
[1, 6],
[1, 7],
[2, 3],
[2, 7],
[2, 8],
[3, 4],
[3, 8],
[4, 8],
[5, 6],
[5, 9],
[6, 7],
[6, 9],
[6, 10],
[7, 8],
[7, 10],
[9, 10],
[1, 2, 7],
[1, 6, 7],
[2, 3, 8],
[2, 7, 8],
[3, 4, 8],
[5, 6, 9],
[6, 7, 10],
[6, 9, 10]]
但是如果我们过滤掉所有无用的派系，我们将得到：
list(filter(lambda x: len(x) > 2, nx.enumerate_all_cliques(G)))
[[1, 2, 7],
[1, 6, 7],
[2, 3, 8],
[2, 7, 8],
[3, 4, 8],
[5, 6, 9],
[6, 7, 10],
[6, 9, 10]]