用于生成和研究的Python包，包括图和详细的时空或生物网络。
项目描述
NNGT: Python中网络的统一接口
NNGT（神经网络和图拓扑）模块提供生成和研究图和详细生物网络的工具。它还允许用户将高效的图库与高度分布的活动模拟器接口连接，使神经元活动的学习和研究尽可能容易和高效。
源代码可在SourceHut（首选）、Codeberg和GitHub上获取，并接受贡献。
原理
NNGT提供了一个统一的接口，作为Python中3个主要图库的包装器：networkx、igraph和graph-tool。
使用相同的代码，在最新的Linux系统上使用graph-tool运行，然后在Windows系统上使用networkx运行，无需任何更改！
除了这个通用接口外，NNGT还提供额外的工具和方法来生成复杂的神经元网络。一旦创建网络，就可以无缝地发送到nest-simulator，该模拟器将生成活动。然后，可以使用NNGT与结构一起分析这些活动。
最终，NNGT还能够导入使用DeNSE模拟器生成的神经元网络。
安装和使用库
自2.0版本以来，NNGT需要Python 3.5+，并且可以直接在Pypi上获取。要安装它，请确保您有一个有效的Python安装，然后执行以下操作：
pip install nngt
如果您想使用高级几何、地理空间或其他工具，可以使用各种额外工具自动下载相关依赖项（仅保留列表中的一种可能性）
pip install nngt[matplotlib|nx|ig|geometry|geospatial]
要安装所有依赖项，请使用pip install nngt[full]。
安装后，打开Python终端或脚本文件，并输入
import nngt
如果您想在发布到稳定版本之前获得最新更新，可以直接从main安装：
pip install --user git+https://git.sr.ht/~tfardet/NNGT@main
支持和错误报告
对于一般问题或支持，您可以写信给邮件列表。
如果您遇到错误，可以在问题跟踪器上报告。
克隆/更新存储库
此存储库包含SENeC倡议的PyNCultures包，作为其geometry模块，使用git submodule功能。它还在绘图模块中使用mpl_chord_diagram。因此，在克隆存储库时，您必须执行以下操作：
git clone https://git.sr.ht/~tfardet/NNGT
cd NNGT && git submodule init && git submodule update
要更新您的本地存储库，请执行以下操作：
git pull
git submodule update --remote --merge
功能
兼容性
状态
- 标准函数和图生成算法。
- 加权有向网络图分析的特定方法。
- 对节点和边属性的完全支持。
- 扩展的I/O功能和图形表示。
- 设计神经元网络的先进方法。
- 支持Shapely的复杂2D结构。
请参阅ReadTheDocs上的文档。
NNGT-2.8.0-cp312-cp312-manylinux_2_28_x86_64.whl 的哈希值
| 算法 | 哈希摘要 | |
|---|---|---|
| SHA256 | 44b8f3b2b3647ac8b4de39cb7c1ec6250a48f93b21662c1e231fb2a4adec53bc |
|
| MD5 | 4dca07946a334bf6926c9bda31fbc4ad |
|
| BLAKE2b-256 | 371b366cfca37de1efdb07e11148874600905b77bc1796513a82cffd027fa76f |
哈希值 for NNGT-2.8.0-cp311-cp311-manylinux_2_28_x86_64.whl
| 算法 | 哈希摘要 | |
|---|---|---|
| SHA256 | 43b832b0d4ba31c8e4d95949b3392004496971a5c18341411f1017a5ffb415a4 |
|
| MD5 | 79151906393f0e85fc8e4f45a73d1cf4 |
|
| BLAKE2b-256 | 2f391f3eca5523e2763294190248ae3a89dcf5382e7c0655baa37198e8e64460 |
哈希值 for NNGT-2.8.0-cp310-cp310-manylinux_2_28_x86_64.whl
| 算法 | 哈希摘要 | |
|---|---|---|
| SHA256 | efcc1fd675d203d72691d685da95a4a381c8b97942662c74c085a4cc18728908 |
|
| MD5 | b475bb2b67b7fae349b1e38abe30db8a |
|
| BLAKE2b-256 | 629755ea97768fdcfa522d26c150561228b8831ff618d8aca886c0801dddbbc1 |
哈希值 for NNGT-2.8.0-cp39-cp39-manylinux_2_28_x86_64.whl
| 算法 | 哈希摘要 | |
|---|---|---|
| SHA256 | e25313d6e26ea45543ccedd8b89b2fd33bdfcd174bd6407b4fad5d58b4404cd9 |
|
| MD5 | b9b1b09cbd055b4d1720ee60f157deb2 |
|
| BLAKE2b-256 | d15fbd83f5eb0414a2ac2c99a13e95ff676729ce47ac92c121277553a16190cb |
哈希值 for NNGT-2.8.0-cp38-cp38-manylinux_2_28_x86_64.whl
| 算法 | 哈希摘要 | |
|---|---|---|
| SHA256 | 199768bcbf2f852b6d568a15265fd39f13d38e7aea2cd14b4f6d5aa0a2a9ab94 |
|
| MD5 | 8010c7266fe55234f85e66aa6be8be4d |
|
| BLAKE2b-256 | ca5a86dfd98b1885ecf0692e39e06eff19c8ad68ea9b7d3968b63b8ce8d752a6 |
哈希值 for NNGT-2.8.0-cp37-cp37m-manylinux_2_28_x86_64.whl
| 算法 | 哈希摘要 | |
|---|---|---|
| SHA256 | 15e3145d966a370d55e3f5a2214b20299a560967cfd813ab28418ded3cee9319 |
|
| MD5 | 6d81f444e1207c49c56fc5b0749b7e4e |
|
| BLAKE2b-256 | d5be3f9d80f25389d24598bd99dc00d841836bb1a13be6fd71f23c34d2525d52 |
