关于python 3.x：NetworkX：在DAG中找到最长的路径，返回所有关系以获得最大


NetworkX: Find longest path in DAG returning all ties for max

我在弄清楚如何更新networkx dag_find_longest_path()算法时遇到麻烦，而不是返回找到的第一个最大边缘，或者返回所有最大重量相关的边缘的列表。

我首先从pandas数据框中创建了一个DAG，其中包含一个边缘列表，如以下子集：

1
2
3
4
5
6
7
8
9
10
11
edge1        edge2          weight
115252161:T  115252162:A     1.0
115252162:A  115252163:G     1.0
115252163:G  115252164:C     3.0
115252164:C  115252165:A     5.5
115252165:A  115252166:C     5.5
115252162:T  115252163:G     1.0
115252166:C  115252167:A     7.5
115252167:A  115252168:A     7.5
115252168:A  115252169:A     6.5
115252165:A  115252166:G     0.5

然后，我使用以下代码对图形进行拓扑排序，然后根据边缘的权重找到最长的路径：

1
2
3
4
5
6
 G = nx.from_pandas_edgelist(edge_df, source="edge1",
                                target="edge2",
                                edge_attr=['weight'],
                                create_using=nx.OrderedDiGraph())

longest_path = pd.DataFrame(nx.dag_longest_path(G))

这很好用，除非有最大加权边缘的平局，它返回找到的第一个最大边缘，而我希望它只返回代表" Null"的" N"。
因此，当前的输出为：

1
2
3
4
5
6
115252161   T
115252162   A
115252163   G
115252164   C
115252165   A
115252166   C

但是我真正需要的是：

1
2
3
4
5
6
115252161   T
115252162   N (or [A,T] )
115252163   G
115252164   C
115252165   A
115252166   C

查找最长路径的算法是：

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
def dag_longest_path(G):

    dist = {}  # stores [node, distance] pair
    for node in nx.topological_sort(G):
        # pairs of dist,node for all incoming edges
        pairs = [(dist[v][0] + 1, v) for v in G.pred[node]]
        if pairs:
            dist[node] = max(pairs)
        else:
            dist[node] = (0, node)
    node, (length, _) = max(dist.items(), key=lambda x: x[1])
    path = []
    while length > 0:
        path.append(node)
        length, node = dist[node]
    return list(reversed(path))

可复制的G定义。

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
import pandas as pd
import networkx as nx
import numpy as np

edge_df = pd.read_csv(
    pd.compat.StringIO(
       """edge1        edge2          weight
115252161:T  115252162:A     1.0
115252162:A  115252163:G     1.0
115252163:G  115252164:C     3.0
115252164:C  115252165:A     5.5
115252165:A  115252166:C     5.5
115252162:T  115252163:G     1.0
115252166:C  115252167:A     7.5
115252167:A  115252168:A     7.5
115252168:A  115252169:A     6.5
115252165:A  115252166:G     0.5"""
    ),
    sep=r" +",
)


G = nx.from_pandas_edgelist(
    edge_df,
    source="edge1",
    target="edge2",
    edge_attr=["weight"],
    create_using=nx.OrderedDiGraph(),
)

longest_path = pd.DataFrame(nx.dag_longest_path(G))

我最终只是在defaultdict计数器对象中对行为建模。

1
from collections import defaultdict, Counter

我将边列表修改为(位置，核苷酸，重量)元组：

1
test = [(112,"A",23.0), (113,"T", 27), (112,"T", 12.0), (113,"A", 27), (112,"A", 1.0)]

然后使用defaultdict(counter)快速求和每个核苷酸在每个位置的出现：

1
2
3
4
nucs = defaultdict(Counter)

for key, nuc, weight in test:
    nucs[key][nuc] += weight

然后遍历字典以提取所有等于最大值的核苷酸：

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
for key, nuc in nucs.items():
    seq_list = []
    max_nuc = []
    max_val = max(nuc.values())
    for x, y in nuc.items():
        if y == max_val:
            max_nuc.append(x)

    if len(max_nuc) != 1:
        max_nuc ="N"
    else:
        max_nuc = ''.join(max_nuc)

    seq_list.append(max_nuc)
    sequence = ''.join(seq_list)

这将返回找到的最大值的核苷酸的最终序列，并在平局位置返回N：

1
TNGCACAAATGCTGAAAGCTGTACCATANCTGTCTGGTCTTGGCTGAGGTTTCAATGAATGGAATCCCGTAACTCTTGGCCAGTTCGTGGGCTTGTTTTGTATCAACTGTCCTTGTTGGCAAATCACACTTGTTTCCCACTAGCACCAT

但是，这个问题困扰着我，因此我最终使用networkx中的节点属性作为将每个节点标记为平局的手段。现在，当在最长路径中返回节点时，然后可以检查" tie"属性，如果已标记该节点名称，则将其替换为" N"：

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
def get_path(self, edge_df):

    G = nx.from_pandas_edgelist(
        edge_df,
        source="edge1",
        target="edge2",
        edge_attr=["weight"],
        create_using=nx.OrderedDiGraph()
    )

    # flag all nodes as not having a tie
    nx.set_node_attributes(G,"tie", False)

    # check nodes for ties
    for node in G.nodes:

        # create list of all edges for each node
        edges = G.in_edges(node, data=True)

        # if there are multiple edges
        if len(edges) > 1:

            # find max weight
            max_weight = max([edge[2]['weight'] for edge in edges])

            tie_check = []
            for edge in edges:
                # pull out all edges that match max weight
                if edge[2]["weight"] == max_weight:
                    tie_check.append(edge)

            # check if there are ties      
            if len(tie_check) > 1:
                for x in tie_check:

                    # flag node as being a tie
                    G.node[x[0]]["tie"] = True

    # return longest path
    longest_path = nx.dag_longest_path(G)    

    return longest_path
相关讨论

根据您的示例判断，每个节点由位置ID(:之前的数字)确定，并且两个具有不同碱基的节点对于计算路径长度是相同的。如果正确，则无需修改算法，并且可以通过操纵顶点标签来获得结果。

基本上，将所有内容放在edge_df中的分号后，计算最长路径并在原始数据中附加基本标签。

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
edge_df_pos = pd.DataFrame(
    {
       "edge1": edge_df.edge1.str.partition(":")[0],
       "edge2": edge_df.edge2.str.partition(":")[0],
       "weight": edge_df.weight,
    }
)

vert_labels = dict()
for col in ("edge1","edge2"):
    verts, lbls = edge_df[col].str.partition(":")[[0, 2]].values.T
    for vert, lbl in zip(verts, lbls):
        vert_labels.setdefault(vert, set()).add(lbl)


G_pos = nx.from_pandas_edgelist(
    edge_df_pos,
    source="edge1",
    target="edge2",
    edge_attr=["weight"],
    create_using=nx.OrderedDiGraph(),
)

longest_path_pos = nx.dag_longest_path(G_pos)

longest_path_df = pd.DataFrame([[node, vert_labels[node]] for node in longest_path_pos])

结果

1
2
3
4
5
6
7
8
9
10
# 0       1
# 0  115252161     {T}
# 1  115252162  {A, T}
# 2  115252163     {G}
# 3  115252164     {C}
# 4  115252165     {A}
# 5  115252166  {G, C}
# 6  115252167     {A}
# 7  115252168     {A}
# 8  115252169     {A}

如果我的解释不正确，我怀疑是否存在基于拓扑排序的算法的简单扩展。问题是图可以接受多种拓扑排序。如果按照示例中dag_longest_path的定义打印dist，则会得到以下内容：

1
2
3
4
5
6
7
8
9
10
11
{'115252161:T': (0, '115252161:T'),
 '115252162:A': (1, '115252161:T'),
 '115252162:T': (0, '115252162:T'),
 '115252163:G': (2, '115252162:A'),
 '115252164:C': (3, '115252163:G'),
 '115252165:A': (4, '115252164:C'),
 '115252166:C': (5, '115252165:A'),
 '115252166:G': (5, '115252165:A'),
 '115252167:A': (6, '115252166:C'),
 '115252168:A': (7, '115252167:A'),
 '115252169:A': (8, '115252168:A')}

请注意，'115252162:T'出现在第三行，而没有其他地方。因此，dist不能区分您的示例和'115252162:T'作为不相交组件出现的另一个示例。因此，仅使用dist中的数据就不可能通过'115252162:T'恢复任何路径。

相关讨论

函数内部的这一行似乎放弃了您想要的路径；因为max仅返回一个结果：

1
node, (length, _) = max(dist.items(), key=lambda x: x[1])

我会保留最大值，然后根据它搜索所有项目。然后重用代码查找所需的路径。一个例子是这样的：

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
def dag_longest_path(G):
    dist = {}  # stores [node, distance] pair
    for node in nx.topological_sort(G):
        # pairs of dist,node for all incoming edges
        pairs = [(dist[v][0] + 1, v) for v in G.pred[node]]
        if pairs:
            dist[node] = max(pairs)
        else:
            dist[node] = (0, node)
    # store max value inside val variable
    node, (length, val) = max(dist.items(), key=lambda x: x[1])
    # find all dictionary items that have the maximum value
    nodes = [(item[0], item[1][0]) for item in dist.items() if item[1][1] == val]
    paths = []
    # iterate over the different nodes and append the paths to a list
    for node, length in nodes:
        path = []
        while length > 0:
            path.append(node)
            length, node = dist[node]
        paths.append(list(reversed(path)))
    return paths

PS。我尚未测试此代码以了解其是否正常运行。

相关讨论