Graph-tool

graph-tool — це модуль Python для маніпуляцій та статистичного аналізу графів (також відомих як мережі). Основні структури даних і алгоритми інструменту для графіків реалізовані в C++ з широким використтанням метапрограмування, на основі Boost Graph Library.^[4] Багато алгоритмів реалізуються паралельно за допомогою OpenMP, що забезпечує підвищену продуктивність на багатоядерних архітектурах.

Graph-tool

Тип	бібліотека
Розробник	Tiago P. Peixotod
Стабільний випуск	2.44 (2 січня, 2022; 3 роки тому (2022-01-02))
Операційна система	macOS
Мова програмування	C++[1][2] і Python
Ліцензія	GNU Lesser General Public License, version 3.0[3]
Репозиторій	git.skewed.de/count0/graph-tool
Вебсайт	graph-tool.skewed.de

Особливості

• Створення та маніпуляції з орієнтований або неорієнтований граф.
• Асоціація довільної інформації з вершинами, ребрами або навіть самим графом за допомогою карт властивостей.
• Фільтрація вершин та/або ребер «на льоту», щоб вони здавалися видаленими.
• Підтримка форматів dot, Graph Modelling Language^[en] і GraphML.
• Зручна і потужна візуалізація графів на основі cairo або Graphviz.
• Підтримка типових статистичних вимірювань: гістограма ступеня/властивості, комбінована гістограма ступеня/властивості, кореляції вершини й вершини, асортативність^[en], середній найкоротший шлях вершина-вершина тощо.
• Підтримка кількох теоретичних алгоритмів графів: таких як ізоморфізм графів, ізоморфізм підграфів, мінімальне остовне дерево, компоненти зв'язаності, дерево домінаторів^[en], максимальний потік тощо.
• Підтримка кількох мір центральності.
• Підтримка коефіцієнтів кластеризації, а також статистика мотивів мережі^[en] та визначення структури спільноти.
• Генерація випадкових графів з довільним розподілом ступенів і кореляціями.
• Підтримка добре налагоджених мережевих моделей: ціни, Барабаші — Альберта, геометричних мереж, багатовимірних решіток тощо.

Придатність

Інструмент Graph можна використовувати для роботи з дуже великими графами у різноманітних контекстах, включаючи моделювання клітинної тканини,^[5] добування даних,^[6][7] аналіз соціальних мереж,^[8][9] аналіз P2P систем,^[10] великомасштабне моделювання агентних систем,^[11] вивчення генеалогічного дерева,^[12] теоретична оцінка та моделювання кластеризації мережі,^[13] великомасштабний аналіз графу викликів^[en][14] і аналіз конектома мозку.^[15]