pagerank是什么算法？PageRank算法与实践

如果让我们自己去做搜索的话，我们能够想到的是文章和搜索词的相关性，以此来判断这个文章是否是我们想要的，最开始的搜索有的是这样做的，还有的是按照网站的种类做个大的索引表，但是可以索引的关键字有限。

互联网上的网页估计有千百亿规模了（猜测），那么显然不是所有包含搜索关键字的网页都同等重要。有的在标题中包含关键字，有的在文档中包含关键字；有的是权威机构网站，有的是个人博客，显然在给用户返回网页的时候，比较重要的网页的应该排在前面，不重要的网页信息排在后面。那又来一个问题，如何确定一个网页的重要性那。

网页是通过链接来组织的，那么我们可以把整个互联网看成一张大的图，每个节点为一个个网页，网页之间的链接看成边。网页是否重要，要看是否有多个网页链接到它。被越多网页链接的网页越重要，当然链接这个网页的多个链接的重要性又是不相同的。

假设我们搜索得到很多网页，其中一个网页Y的排名应该来自所有指向这个网页X1，X2，X3的权重之和：

Y网页的权重 = X1+X2+X3...+Xn
而X1，X2，...Xn的权重分别是多少，如何度量，这又需要通过链接到它的网页的权重来计算，这样循环往复，就无解了。据说是Google的布林破解了这个怪圈，就是开始的时候给每个网页设置相同的初始值，那么经过多轮计算后，这个算法可以保证网页排名多次之后回收敛到排名的真实值。

我理解下，大概是这样子的：

第一轮的时候，我们假设所有网页的权重都是1，那么A这个网页的权重为1+1+1为3， 第二轮计算的时候，与A相连的网页权重变成了2，那么最终A这个网页的权重就变成了2+2+2=6，这样多次计算后，被更多权重高的网页链接的网页，排名靠前，其他的靠后。

这整个过程有点类似于民主选举，选举过程中每个人的票的权重又是不一样的，这和现实也很类似。 那么PageRank算法除了计算网页排名还有什么用那，数据实战45讲里面，有个例子比较有意思，计算泄露出来希拉里邮件列表中的人物影响力的情况，通过python的networkx库可以方便地计算PageRank的值。

下面的网络图的：

简单的计算PageRank的代码：

import networkx as nx# 创建有向图G = nx.DiGraph() # 有向图之间边的关系edges = [('B1', 'B'), ('B2', 'B'), ('C1', 'C'), ('C2', 'C'), ('D1', 'D'), ('D2', 'D'), ('D', 'A'), ('C', 'A'), ('B', 'A')]for edge in edges:  G.add_edge(edge[0], edge[1])pagerank_list = nx.pagerank(G, alpha=1)print('pagerank值是：', pagerank_list)

结果：

整个数据集合分为三个文件：Aliases.csv,Emails.csv和Persons.csv,其中Emails文件为邮件内容，包括重要的发送者和接收者信息。 Persons文件统计邮件中所有人的姓名和对应ID。 下面代码是数据实战中的代码直接拿过来了，其实过程也是比较简单，只是这个思路比较重要。

# -*- coding: utf-8 -*-# 用 PageRank 挖掘希拉里邮件中的重要任务关系import pandas as