✓ 文件回写 ✕ 属性回写 ✓ 直接返回 ✓ 流式返回 ✕ 统计值

概述

诱导子图（Induced Subgraph）算法可以根据一组给定的节点计算出相应的诱导子图，它提供了一种深入了解所选节点子集中的局部结构和交互的方法。

基本概念

诱导子图

诱导子图仅包括给定集合中的节点以及连接这些节点的边。

如上例所示，指定节点集 S = {A, B, I, K, L, M, N} 的诱导子图包括节点集 S 以及两端点均在节点集 S 中的所有边构成的边集。

Ultipa 的诱导子图算法返回的是诱导子图中的所有一步路径。

特殊说明

• 诱导子图算法忽略边的方向，按照无向边进行计算。

语法

• 命令：algo(subgraph)
• 参数：

示例

示例图如下：

文件回写

algo(subgraph).params({
  ids: ['A','C','D','G']
}).write({
  file:{
    filename: 'paths'
    }
})

结果：文件 paths

C--[102]--A
C--[105]--D
D--[107]--A
D--[106]--A
G--[109]--G

直接返回

algo(subgraph).params({
  ids: ['A','C','D','G']
}) as subgraph
return subgraph

结果：subgraph

流式返回

algo(subgraph).params({
  uuids: [6,7]
}).stream() as p
with pedges(p) as e
find().edges(e) as edges
return max(edges.score)

结果：5