Installation

conda install -c conda-forge graphblas-algorithms

pip install graphblas-algorithms

Basic Usage

importgraphblasasgbM=gb.Matrix.from_coo(  [0,0,1,2,2,3],  [1,3,0,0,1,2],  [1.,2.,3.,4.,5.,6.],nrows=4,ncols=4,dtype='float32')

importgraphblas_algorithmsasgaG=ga.Graph(M)

hubs,authorities=ga.hits(G)

Plugin for NetworkX

Dispatch Example

importnetworkxasnximportgraphblas_algorithmsasga# Generate a random graph (5000 nodes, 1_000_000 edges)G=nx.erdos_renyi_graph(5000,0.08)# Explicitly convert to ga.GraphG2=ga.Graph.from_networkx(G)# Pass G2 to NetworkX's k_trussT5=nx.k_truss(G2,5)

T5.to_networkx()

Plugin Algorithms

graphblas_algorithms.nxapi├── boundary│   ├── edge_boundary│   └── node_boundary├── centrality│   ├── degree_alg│   │   ├── degree_centrality│   │   ├── in_degree_centrality│   │   └── out_degree_centrality│   ├── eigenvector│   │   └── eigenvector_centrality│   └── katz│       └── katz_centrality├── cluster│   ├── average_clustering│   ├── clustering│   ├── generalized_degree│   ├── square_clustering│   ├── transitivity│   └── triangles├── community│   └── quality│       ├── inter_community_edges│       └── intra_community_edges├── components│   ├── connected│   │   ├── is_connected│   │   └── node_connected_component│   └── weakly_connected│       └── is_weakly_connected├── core│   └── k_truss├── cuts│   ├── boundary_expansion│   ├── conductance│   ├── cut_size│   ├── edge_expansion│   ├── mixing_expansion│   ├── node_expansion│   ├── normalized_cut_size│   └── volume├── dag│   ├── ancestors│   └── descendants├── dominating│   └── is_dominating_set├── efficiency_measures│   └── efficiency├── generators│   └── ego│       └── ego_graph├── isolate│   ├── is_isolate│   ├── isolates│   └── number_of_isolates├── isomorphism│   └── isomorph│       ├── fast_could_be_isomorphic│       └── faster_could_be_isomorphic├── linalg│   ├── bethehessianmatrix│   │   └── bethe_hessian_matrix│   ├── graphmatrix│   │   └── adjacency_matrix│   ├── laplacianmatrix│   │   ├── laplacian_matrix│   │   └── normalized_laplacian_matrix│   └── modularitymatrix│       ├── directed_modularity_matrix│       └── modularity_matrix├── link_analysis│   ├── hits_alg│   │   └── hits│   └── pagerank_alg│       ├── google_matrix│       └── pagerank├── lowest_common_ancestors│   └── lowest_common_ancestor├── operators│   ├── binary│   │   ├── compose│   │   ├── difference│   │   ├── disjoint_union│   │   ├── full_join│   │   ├── intersection│   │   ├── symmetric_difference│   │   └── union│   └── unary│       ├── complement│       └── reverse├── reciprocity│   ├── overall_reciprocity│   └── reciprocity├── regular│   ├── is_k_regular│   └── is_regular├── shortest_paths│   ├── dense│   │   ├── floyd_warshall│   │   ├── floyd_warshall_numpy│   │   └── floyd_warshall_predecessor_and_distance│   ├── generic│   │   └── has_path│   ├── unweighted│   │   ├── all_pairs_shortest_path_length│   │   ├── single_source_shortest_path_length│   │   └── single_target_shortest_path_length│   └── weighted│       ├── all_pairs_bellman_ford_path_length│       ├── bellman_ford_path│       ├── bellman_ford_path_length│       ├── negative_edge_cycle│       └── single_source_bellman_ford_path_length├── simple_paths│   └── is_simple_path├── smetric│   └── s_metric├── structuralholes│   └── mutual_weight├── tournament│   ├── is_tournament│   ├── score_sequence│   └── tournament_matrix├── traversal│   └── breadth_first_search│       ├── bfs_layers│       └── descendants_at_distance└── triads    └── is_triad