Python里建图有哪两类常见实现？分别适用于什么场景？

建图在不同场景有不同的实现方式。在图的数据结构表示方面，使用邻接表来表示图的 Python 代码示例如下： ```python class Graph: def __init__(self): self.adj_list = {} def add_edge(self, u, v, weight): if u not in self.adj_list: self.adj_list[u] = [] self.adj_list[u].append((v, weight)) # 创建图 graph = Graph() graph.add_edge('A', 'B', 3) graph.add_edge('A', 'C', 5) graph.add_edge('B', 'C', 2) graph.add_edge('C', 'D', 4) graph.add_edge('D', 'E', 1) graph.add_edge('E', 'A', 6) # 打印图的邻接表 for vertex, neighbors in graph.adj_list.items(): print(f"{vertex}: {' -> '.join([f'{weight}->{neighbor}' for neighbor, weight in neighbors])}") ``` 此代码定义了一个 `Graph` 类，通过 `add_edge` 方法向图中添加边，使用邻接表存储图的信息，最后打印出图的邻接表表示，这种方式可以清晰地表示图中顶点和边的关系[^4]。如果是在实际应用中（如自动驾驶）将扫描得到的点云数据转化为格子地图的建图，以下是一个简单示例： ```python import numpy as np # 假设点云数据是二维的，每个点是 (x, y) 坐标 point_cloud = np.array([[1, 2], [3, 4], [5, 6]]) # 定义网格大小和地图范围 grid_size = 1 x_min, x_max = np.min(point_cloud[:, 0]), np.max(point_cloud[:, 0]) y_min, y_max = np.min(point_cloud[:, 1]), np.max(point_cloud[:, 1]) # 计算网格数量 num_x_grids = int((x_max - x_min) // grid_size) + 1 num_y_grids = int((y_max - y_min) // grid_size) + 1 # 创建格子地图 grid_map = np.zeros((num_x_grids, num_y_grids)) # 将点云数据映射到格子地图中 for point in point_cloud: x_grid = int((point[0] - x_min) // grid_size) y_grid = int((point[1] - y_min) // grid_size) grid_map[x_grid, y_grid] = 1 print(grid_map) ``` 该代码将点云数据转化为格子地图，首先定义了网格大小和地图范围，然后计算网格数量，接着创建一个全零的格子地图，最后将点云数据映射到格子地图中，用 1 表示该网格存在物体，这种地图表示对于自动驾驶应用非常适用，提供了一个方便的方式来表示静态和动态障碍物[^3]。

创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考

下一篇控制系统仿真程序一般怎么搭建？不同工具（比如Python、Simulink、PLC软件）各有什么适用场景？