Networkx：使用字典属性表将节点作为对象或节点作为ID

Question

在内存管理和计算速度方面，哪个是最有效的？在

下面的简单测试表明，与通过属性表进行字典查找相比，在节点中以python对象存储属性稍微好一些。由于内存的分配方式，这种情况会一直存在吗？在

作为测试，我构建了一个简单的示例：

class country():
    def __init__(self, name, gdp):
        self.name = name
        self.gdp = gdp
    def __repr__(self):
        return str(self.name)

#Country Objects
countries = dict()
countries['AUS'] = country('AUS', 2000)
countries['USA'] = country('USA', 10000)
countries['ZWE'] = country('ZWE', 13)

#Attribute Dictionary
gdp = dict()
gdp['AUS'] = 2000
gdp['USA'] = 10000
gdp['ZWE'] = 13

构建网络：

^{pr2}$

在IPython中运行%timeit:

G1f（）

#Lookup Data from Strings Network
def G1f():
    for n in G1.nodes():
        print "Node: %s" % n
        print "\tGDP: %s" % gdp[n]
%timeit G1f

G1f（）的输出：

10000000 loops, best of 3: 26.4 ns per loop

G2f（）

#Lookup Data from Objects 
def G2f():
    for n in G2.nodes():
        print "Node: %s" % n.name
        print "\tGDP: %s" % n.gdp
%timeit G2f 

G2f（）的输出

10000000 loops, best of 3: 21.8 ns per loop

---

更新

G3f（）[来自答案]

G3 = nx.Graph()
for c,v in gdp.items():
    G3.add_node(c, gdp=v)
def G3f():
    for n,d in G3.nodes(data=True):
        print "Node: %s" % n
        print "\tGDP: %s" % d['gdp']

G13f（）的输出：

10000 loops, best of 3: 63 µs per loop

Answer 1

也可以使用如下节点属性：

import networkx as nx
#Attribute Dictionary
gdp = dict()
gdp['AUS'] = 2000
gdp['USA'] = 10000
gdp['ZWE'] = 13

G3 = nx.Graph()
for c,v in gdp.items():
    G3.add_node(c, gdp=v)

print G3.nodes(data=True)

def G3f():
    for n,d in G3.nodes(data=True):
        print "Node: %s" % n
        print "\tGDP: %s" % d['gdp']

我不清楚考试时间安排是否很重要。除非这是一个非常大的问题（也许有一天每个人都会有自己的国家！）在速度和内存上可能没有太大的差别。我怀疑创建许多小型自定义对象（country（））的开销最终会占用更多的内存和时间。在