Python Graph von Matrix mit Etiketten erzeugt bei Matlab

Question

Ich habe Matrix von Signalen in Matlab (24 x 121) und Etiketten-Datei (1x 24) generiert. Nachdem ich es geladen wird, ist es: Etiketten

[array(['1-2'], 
     dtype='<U3') array(['1-3'], 
     dtype='<U3') 
array(['1-4'], 
     dtype='<U3') array(['2-2'], 
     dtype='<U3') 
array(['2-3'], 
     dtype='<U3') array(['2-4'], 
     dtype='<U3') 
array(['49-2'], 
     dtype='<U4') array(['49-3'], 
     dtype='<U4') 
array(['49-4'], 
     dtype='<U4') array(['50-2'], 
     dtype='<U4') 
array(['50-3'], 
     dtype='<U4') array(['50-4'], 
     dtype='<U4') 
array(['51-2'], 
     dtype='<U4') array(['51-3'], 
     dtype='<U4') 
array(['51-4'], 
     dtype='<U4') array(['52-2'], 
     dtype='<U4') 
array(['52-3'], 
     dtype='<U4') array(['52-4'], 
     dtype='<U4') 
array(['53-2'], 
     dtype='<U4') array(['53-3'], 
     dtype='<U4') 
array(['53-4'], 
     dtype='<U4') array(['54-2'], 
     dtype='<U4') 
array(['54-3'], 
     dtype='<U4') array(['54-4'], 
     dtype='<U4')] 

und X

[[ 1.31973026 1.04553767 0.98759242 ..., 0.87344433 0.8734996 
    0.88148139] 
[ 1.54466891 1.50167134 1.43233076 ..., 0.71953425 0.72355352 
    0.76595696] 
[ 0.26974139 0.27669694 0.26486576 ..., 0.86765017 0.84838513 
    0.83147331] 
..., 
[ 1.28762992 1.21298643 1.08822084 ..., 0.81903216 0.7559759 
    0.62566092] 
[ 0.96190193 0.97199575 0.93630357 ..., 0.88570213 0.78969704 
    0.69140163] 
[ 1.70054223 1.6876721 1.66986342 ..., 0.90825585 0.92562056 
    0.93568893]] 

Ich möchte Grafik 1-Korrelationsmaß Ähnlichkeit zum Zeichnen und nicht Zweig zeigen, wenn es Gewicht> 0,7. Der Code Ich verwende ist:

import scipy.io 
import numpy as np 
import matplotlib.pyplot as plt 
from matplotlib import cm # Large set of colormaps 
import pandas as pd 
from scipy.cluster import hierarchy 
from sklearn import datasets 
from sklearn import metrics 
from sklearn import cluster 
from scipy.spatial.distance import pdist 
import networkx as nx 
from matplotlib import pyplot as plt 
import pylab 
import networkx as nx 
from matplotlib import pyplot as plt 


o1 = scipy.io.loadmat('out.mat') 
X=(o1['out']) 
print(X) 

o1 = scipy.io.loadmat('labels.mat') 
labels=o1['labels'] 
labels = labels[0] 
print(labels) 
corr=1-np.corrcoef(X) 
print(corr) 
m, n = np.shape(corr) 
G = nx.Graph() 
corr[np.where(corr>0.7)]=0 
for i in range(m): 
    for j in range(n): 
      s=labels[i] 
      b=labels[j] 
      w=corr[i,j] 
      G.add_edge(s,b,weight=w) 
nx.draw(G) 
plt.show() 

ich einen Fehler

Traceback (most recent call last): File "C:/Users/Kristina/Desktop/NOBS/source/grafovi.py", line 36, in G.add_edge(s,b,weight=w) File "C:\Python34\lib\site-packages\networkx\classes\graph.py", line 706, in add_edge if u not in self.node: TypeError: unhashable type: 'numpy.ndarray'

ich kann nicht herausfinden, was das Problem ist.

Answer 1

Ihre Objekte s und b sind Elemente der labels Variable, die eine Liste von Arrays ist, die jeweils wie folgt aussehen:

array(['51-3'],dtype='<U4') 

Wenn Sie Graph.add_node nennen, es expects something like this:

>>> G.add_edge(1, 2, weight=4.7) 

Wie sowohl die Fehlermeldung und Moritz noted, beide (wahrscheinlich beide) der Variablen an G ha übergeben s zu sein hashable, aber numpy Arrays sind nicht hashable.

Es ist bei weitem nicht klar für mich, was Sie zu tun versuchen, aber wenn Sie nur den Inhalt jedes Arrays (z. B. '51-3') in Ihrem Diagramm verwenden möchten, greifen Sie einfach auf das nullte Element jedes Ihrer Arrays , da in Ihrer aktuellen Implementierung s und b sowieso immer nur Ein-Element-Arrays zu sein scheinen. Was ich meine, ist diese Veränderung:

for i in range(m): 
    for j in range(n): 
      s=labels[i][0] # change here 
      b=labels[j][0] # change here 
      w=corr[i,j] 
      G.add_edge(s,b,weight=w) 

obwohl ich ziemlich sicher bin, Sie G.add_edges_from statt Looping verwenden sollten. Und wie immer, wenn Sie unerwartete Fehler und unerwartete Typen feststellen, verwenden Sie print() und type(), um festzustellen, was Ihre Variablen tatsächlich sind, anstatt, was Sie erwarten, dass sie sind.