[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-graspologic-org--graspologic":3,"tool-graspologic-org--graspologic":61},[4,18,26,36,44,53],{"id":5,"name":6,"github_repo":7,"description_zh":8,"stars":9,"difficulty_score":10,"last_commit_at":11,"category_tags":12,"status":17},4358,"openclaw","openclaw\u002Fopenclaw","OpenClaw 是一款专为个人打造的本地化 AI 助手，旨在让你在自己的设备上拥有完全可控的智能伙伴。它打破了传统 AI 助手局限于特定网页或应用的束缚，能够直接接入你日常使用的各类通讯渠道，包括微信、WhatsApp、Telegram、Discord、iMessage 等数十种平台。无论你在哪个聊天软件中发送消息，OpenClaw 都能即时响应，甚至支持在 macOS、iOS 和 Android 设备上进行语音交互，并提供实时的画布渲染功能供你操控。\n\n这款工具主要解决了用户对数据隐私、响应速度以及“始终在线”体验的需求。通过将 AI 部署在本地，用户无需依赖云端服务即可享受快速、私密的智能辅助，真正实现了“你的数据，你做主”。其独特的技术亮点在于强大的网关架构，将控制平面与核心助手分离，确保跨平台通信的流畅性与扩展性。\n\nOpenClaw 非常适合希望构建个性化工作流的技术爱好者、开发者，以及注重隐私保护且不愿被单一生态绑定的普通用户。只要具备基础的终端操作能力（支持 macOS、Linux 及 Windows WSL2），即可通过简单的命令行引导完成部署。如果你渴望拥有一个懂你",349277,3,"2026-04-06T06:32:30",[13,14,15,16],"Agent","开发框架","图像","数据工具","ready",{"id":19,"name":20,"github_repo":21,"description_zh":22,"stars":23,"difficulty_score":10,"last_commit_at":24,"category_tags":25,"status":17},3808,"stable-diffusion-webui","AUTOMATIC1111\u002Fstable-diffusion-webui","stable-diffusion-webui 是一个基于 Gradio 构建的网页版操作界面，旨在让用户能够轻松地在本地运行和使用强大的 Stable Diffusion 图像生成模型。它解决了原始模型依赖命令行、操作门槛高且功能分散的痛点，将复杂的 AI 绘图流程整合进一个直观易用的图形化平台。\n\n无论是希望快速上手的普通创作者、需要精细控制画面细节的设计师，还是想要深入探索模型潜力的开发者与研究人员，都能从中获益。其核心亮点在于极高的功能丰富度：不仅支持文生图、图生图、局部重绘（Inpainting）和外绘（Outpainting）等基础模式，还独创了注意力机制调整、提示词矩阵、负向提示词以及“高清修复”等高级功能。此外，它内置了 GFPGAN 和 CodeFormer 等人脸修复工具，支持多种神经网络放大算法，并允许用户通过插件系统无限扩展能力。即使是显存有限的设备，stable-diffusion-webui 也提供了相应的优化选项，让高质量的 AI 艺术创作变得触手可及。",162132,"2026-04-05T11:01:52",[14,15,13],{"id":27,"name":28,"github_repo":29,"description_zh":30,"stars":31,"difficulty_score":32,"last_commit_at":33,"category_tags":34,"status":17},1381,"everything-claude-code","affaan-m\u002Feverything-claude-code","everything-claude-code 是一套专为 AI 编程助手（如 Claude Code、Codex、Cursor 等）打造的高性能优化系统。它不仅仅是一组配置文件，而是一个经过长期实战打磨的完整框架，旨在解决 AI 代理在实际开发中面临的效率低下、记忆丢失、安全隐患及缺乏持续学习能力等核心痛点。\n\n通过引入技能模块化、直觉增强、记忆持久化机制以及内置的安全扫描功能，everything-claude-code 能显著提升 AI 在复杂任务中的表现，帮助开发者构建更稳定、更智能的生产级 AI 代理。其独特的“研究优先”开发理念和针对 Token 消耗的优化策略，使得模型响应更快、成本更低，同时有效防御潜在的攻击向量。\n\n这套工具特别适合软件开发者、AI 研究人员以及希望深度定制 AI 工作流的技术团队使用。无论您是在构建大型代码库，还是需要 AI 协助进行安全审计与自动化测试，everything-claude-code 都能提供强大的底层支持。作为一个曾荣获 Anthropic 黑客大奖的开源项目，它融合了多语言支持与丰富的实战钩子（hooks），让 AI 真正成长为懂上",152630,2,"2026-04-12T23:33:54",[14,13,35],"语言模型",{"id":37,"name":38,"github_repo":39,"description_zh":40,"stars":41,"difficulty_score":32,"last_commit_at":42,"category_tags":43,"status":17},2271,"ComfyUI","Comfy-Org\u002FComfyUI","ComfyUI 是一款功能强大且高度模块化的视觉 AI 引擎，专为设计和执行复杂的 Stable Diffusion 图像生成流程而打造。它摒弃了传统的代码编写模式，采用直观的节点式流程图界面，让用户通过连接不同的功能模块即可构建个性化的生成管线。\n\n这一设计巧妙解决了高级 AI 绘图工作流配置复杂、灵活性不足的痛点。用户无需具备编程背景，也能自由组合模型、调整参数并实时预览效果，轻松实现从基础文生图到多步骤高清修复等各类复杂任务。ComfyUI 拥有极佳的兼容性，不仅支持 Windows、macOS 和 Linux 全平台，还广泛适配 NVIDIA、AMD、Intel 及苹果 Silicon 等多种硬件架构，并率先支持 SDXL、Flux、SD3 等前沿模型。\n\n无论是希望深入探索算法潜力的研究人员和开发者，还是追求极致创作自由度的设计师与资深 AI 绘画爱好者，ComfyUI 都能提供强大的支持。其独特的模块化架构允许社区不断扩展新功能，使其成为当前最灵活、生态最丰富的开源扩散模型工具之一，帮助用户将创意高效转化为现实。",108322,"2026-04-10T11:39:34",[14,15,13],{"id":45,"name":46,"github_repo":47,"description_zh":48,"stars":49,"difficulty_score":32,"last_commit_at":50,"category_tags":51,"status":17},6121,"gemini-cli","google-gemini\u002Fgemini-cli","gemini-cli 是一款由谷歌推出的开源 AI 命令行工具，它将强大的 Gemini 大模型能力直接集成到用户的终端环境中。对于习惯在命令行工作的开发者而言，它提供了一条从输入提示词到获取模型响应的最短路径，无需切换窗口即可享受智能辅助。\n\n这款工具主要解决了开发过程中频繁上下文切换的痛点，让用户能在熟悉的终端界面内直接完成代码理解、生成、调试以及自动化运维任务。无论是查询大型代码库、根据草图生成应用，还是执行复杂的 Git 操作，gemini-cli 都能通过自然语言指令高效处理。\n\n它特别适合广大软件工程师、DevOps 人员及技术研究人员使用。其核心亮点包括支持高达 100 万 token 的超长上下文窗口，具备出色的逻辑推理能力；内置 Google 搜索、文件操作及 Shell 命令执行等实用工具；更独特的是，它支持 MCP（模型上下文协议），允许用户灵活扩展自定义集成，连接如图像生成等外部能力。此外，个人谷歌账号即可享受免费的额度支持，且项目基于 Apache 2.0 协议完全开源，是提升终端工作效率的理想助手。",100752,"2026-04-10T01:20:03",[52,13,15,14],"插件",{"id":54,"name":55,"github_repo":56,"description_zh":57,"stars":58,"difficulty_score":32,"last_commit_at":59,"category_tags":60,"status":17},4721,"markitdown","microsoft\u002Fmarkitdown","MarkItDown 是一款由微软 AutoGen 团队打造的轻量级 Python 工具，专为将各类文件高效转换为 Markdown 格式而设计。它支持 PDF、Word、Excel、PPT、图片（含 OCR）、音频（含语音转录）、HTML 乃至 YouTube 链接等多种格式的解析，能够精准提取文档中的标题、列表、表格和链接等关键结构信息。\n\n在人工智能应用日益普及的今天，大语言模型（LLM）虽擅长处理文本，却难以直接读取复杂的二进制办公文档。MarkItDown 恰好解决了这一痛点，它将非结构化或半结构化的文件转化为模型“原生理解”且 Token 效率极高的 Markdown 格式，成为连接本地文件与 AI 分析 pipeline 的理想桥梁。此外，它还提供了 MCP（模型上下文协议）服务器，可无缝集成到 Claude Desktop 等 LLM 应用中。\n\n这款工具特别适合开发者、数据科学家及 AI 研究人员使用，尤其是那些需要构建文档检索增强生成（RAG）系统、进行批量文本分析或希望让 AI 助手直接“阅读”本地文件的用户。虽然生成的内容也具备一定可读性，但其核心优势在于为机器",93400,"2026-04-06T19:52:38",[52,14],{"id":62,"github_repo":63,"name":64,"description_en":65,"description_zh":66,"ai_summary_zh":67,"readme_en":68,"readme_zh":69,"quickstart_zh":70,"use_case_zh":71,"hero_image_url":72,"owner_login":73,"owner_name":73,"owner_avatar_url":74,"owner_bio":75,"owner_company":75,"owner_location":75,"owner_email":75,"owner_twitter":75,"owner_website":75,"owner_url":76,"languages":77,"stars":82,"forks":83,"last_commit_at":84,"license":85,"difficulty_score":86,"env_os":87,"env_gpu":88,"env_ram":89,"env_deps":90,"category_tags":94,"github_topics":96,"view_count":32,"oss_zip_url":75,"oss_zip_packed_at":75,"status":17,"created_at":103,"updated_at":104,"faqs":105,"releases":135},6992,"graspologic-org\u002Fgraspologic","graspologic","Python package for graph statistics","graspologic 是一个专为图（网络）数据统计分析设计的 Python 开源库。在现实世界中，社交关系、生物神经网络或交通系统都可以抽象为由节点和连线构成的“图”。传统的统计方法往往忽略这些数据的空间结构特性，导致分析结果不够精准。graspologic 应运而生，它提供了一系列专门的算法和实用工具，帮助开发者深入挖掘图数据中蕴含的复杂结构与统计规律，从而弥补通用方法的不足。\n\n这款工具特别适合数据科学家、机器学习研究人员以及需要处理复杂网络关系的后端开发者使用。无论是进行神经科学中的脑连接组分析，还是研究社交网络的传播机制，graspologic 都能提供强有力的支持。其核心亮点在于将严谨的图统计理论转化为易于调用的代码接口，并拥有发表在顶级期刊《JMLR》上的学术论文作为理论背书，确保了算法的可靠性与先进性。\n\n安装过程十分简便，支持 Linux、macOS 和 Windows 主流操作系统，兼容 Python 3.9 至 3.12 版本。作为一个基于 MIT 协议开放的社区驱动项目，graspologic 不仅文档详尽、教程丰富，还欢迎全球开发者共同参与改进。如果你正在寻找","graspologic 是一个专为图（网络）数据统计分析设计的 Python 开源库。在现实世界中，社交关系、生物神经网络或交通系统都可以抽象为由节点和连线构成的“图”。传统的统计方法往往忽略这些数据的空间结构特性，导致分析结果不够精准。graspologic 应运而生，它提供了一系列专门的算法和实用工具，帮助开发者深入挖掘图数据中蕴含的复杂结构与统计规律，从而弥补通用方法的不足。\n\n这款工具特别适合数据科学家、机器学习研究人员以及需要处理复杂网络关系的后端开发者使用。无论是进行神经科学中的脑连接组分析，还是研究社交网络的传播机制，graspologic 都能提供强有力的支持。其核心亮点在于将严谨的图统计理论转化为易于调用的代码接口，并拥有发表在顶级期刊《JMLR》上的学术论文作为理论背书，确保了算法的可靠性与先进性。\n\n安装过程十分简便，支持 Linux、macOS 和 Windows 主流操作系统，兼容 Python 3.9 至 3.12 版本。作为一个基于 MIT 协议开放的社区驱动项目，graspologic 不仅文档详尽、教程丰富，还欢迎全球开发者共同参与改进。如果你正在寻找一个专业且灵活的方案来解锁图数据的深层价值，graspologic 值得加入你的技术栈。","\u003C!-- omit in toc -->\n# graspologic\n[![Paper shield](https:\u002F\u002Fimg.shields.io\u002Fbadge\u002FJMLR-Paper-red)](http:\u002F\u002Fwww.jmlr.org\u002Fpapers\u002Fvolume20\u002F19-490\u002F19-490.pdf)\n[![PyPI version](https:\u002F\u002Fimg.shields.io\u002Fpypi\u002Fv\u002Fgraspologic.svg)](https:\u002F\u002Fpypi.org\u002Fproject\u002Fgraspologic\u002F)\n[![Downloads shield](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fgraspologic-org_graspologic_readme_150dfe653354.png)](https:\u002F\u002Fpepy.tech\u002Fproject\u002Fgraspologic)\n[![graspologic Build](https:\u002F\u002Fgithub.com\u002Fgraspologic-org\u002Fgraspologic\u002Factions\u002Fworkflows\u002Fbuild.yml\u002Fbadge.svg)](https:\u002F\u002Fgithub.com\u002Fgraspologic-org\u002Fgraspologic\u002Factions\u002Fworkflows\u002Fbuild.yml)\n[![License: MIT](https:\u002F\u002Fimg.shields.io\u002Fbadge\u002FLicense-MIT-yellow.svg)](https:\u002F\u002Fopensource.org\u002Flicenses\u002FMIT)\n\n## `graspologic` is a package for graph statistical algorithms.\n\u003C!-- no toc -->\n- [Overview](#overview)\n- [Documentation](#documentation)\n- [System Requirements](#system-requirements)\n- [Installation Guide](#installation-guide)\n- [Contributing](#contributing)\n- [License](#license)\n- [Issues](#issues)\n- [Citing `graspologic`](#citing-graspologic)\n\n# Overview\nA graph, or network, provides a mathematically intuitive representation of data with some sort of relationship between items. For example, a social network can be represented as a graph by considering all participants in the social network as nodes, with connections representing whether each pair of individuals in the network are friends with one another. Naively, one might apply traditional statistical techniques to a graph, which neglects the spatial arrangement of nodes within the network and is not utilizing all of the information present in the graph. In this package, we provide utilities and algorithms designed for the processing and analysis of graphs with specialized graph statistical algorithms.\n\n# Documentation\nThe official documentation with usage is at [https:\u002F\u002Fgraspologic-org.github.io\u002Fgraspologic\u002Flatest](https:\u002F\u002Fgraspologic-org.github.io\u002Fgraspologic\u002Flatest)\n\nPlease visit the [tutorial section](https:\u002F\u002Fgraspologic-org.github.io\u002Fgraspologic\u002Flatest\u002Ftutorials\u002Findex.html) in the official website for more in depth usage.\n\n# System Requirements\n\u003C!-- omit in toc -->\n## Hardware requirements\n`graspologic` package requires only a standard computer with enough RAM to support the in-memory operations.\n\n\u003C!-- omit in toc -->\n## Software requirements\n\u003C!-- omit in toc -->\n### OS Requirements\n`graspologic` is tested on the following OSes:\n- Linux x64\n- macOS x64\n- Windows 10 x64\n\nAnd across the following **x86_64** versions of Python:\n- 3.9\n- 3.10\n- 3.11\n- 3.12\n\nIf you try to use `graspologic` for a different platform than the ones listed and notice any unexpected behavior,\nplease feel free to [raise an issue](https:\u002F\u002Fgithub.com\u002Fgraspologic-org\u002Fgraspologic\u002Fissues\u002Fnew).  It's better for ourselves and our users\nif we have concrete examples of things not working!\n\n# Installation Guide\n\u003C!-- omit in toc -->\n## Install from pip\n```\npip install graspologic\n```\n\n\u003C!-- omit in toc -->\n## Install from Github\n```\ngit clone https:\u002F\u002Fgithub.com\u002Fgraspologic-org\u002Fgraspologic\ncd graspologic\npython3 -m venv venv\nsource venv\u002Fbin\u002Factivate\npip install .\n```\n\n# Contributing\nWe welcome contributions from anyone. Please see our [contribution guidelines](https:\u002F\u002Fgithub.com\u002Fgraspologic-org\u002Fgraspologic\u002Fblob\u002Fdev\u002FCONTRIBUTING.md) before making a pull request. Our\n[issues](https:\u002F\u002Fgithub.com\u002Fgraspologic-org\u002Fgraspologic\u002Fissues) page is full of places we could use help!\nIf you have an idea for an improvement not listed there, please\n[make an issue](https:\u002F\u002Fgithub.com\u002Fgraspologic-org\u002Fgraspologic\u002Fissues\u002Fnew) first so you can discuss with the developers.\n\n# License\nThis project is covered under the MIT License.\n\n# Issues\nWe appreciate detailed bug reports and feature requests (though we appreciate pull requests even more!). Please visit our [issues](https:\u002F\u002Fgithub.com\u002Fgraspologic-org\u002Fgraspologic\u002Fissues) page if you have questions or ideas.\n\n# Citing `graspologic`\nIf you find `graspologic` useful in your work, please cite the package via the [GraSPy paper](http:\u002F\u002Fwww.jmlr.org\u002Fpapers\u002Fvolume20\u002F19-490\u002F19-490.pdf)\n\n> Chung, J., Pedigo, B. D., Bridgeford, E. W., Varjavand, B. K., Helm, H. S., & Vogelstein, J. T. (2019). GraSPy: Graph Statistics in Python. Journal of Machine Learning Research, 20(158), 1-7.\n","\u003C!-- omit in toc -->\n# graspologic\n[![论文盾牌](https:\u002F\u002Fimg.shields.io\u002Fbadge\u002FJMLR-论文-red)](http:\u002F\u002Fwww.jmlr.org\u002Fpapers\u002Fvolume20\u002F19-490\u002F19-490.pdf)\n[![PyPI版本](https:\u002F\u002Fimg.shields.io\u002Fpypi\u002Fv\u002Fgraspologic.svg)](https:\u002F\u002Fpypi.org\u002Fproject\u002Fgraspologic\u002F)\n[![下载量盾牌](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fgraspologic-org_graspologic_readme_150dfe653354.png)](https:\u002F\u002Fpepy.tech\u002Fproject\u002Fgraspologic)\n[![graspologic 构建](https:\u002F\u002Fgithub.com\u002Fgraspologic-org\u002Fgraspologic\u002Factions\u002Fworkflows\u002Fbuild.yml\u002Fbadge.svg)](https:\u002F\u002Fgithub.com\u002Fgraspologic-org\u002Fgraspologic\u002Factions\u002Fworkflows\u002Fbuild.yml)\n[![许可证：MIT](https:\u002F\u002Fimg.shields.io\u002Fbadge\u002FLicense-MIT-yellow.svg)](https:\u002F\u002Fopensource.org\u002Flicenses\u002FMIT)\n\n## `graspologic` 是一个用于图统计算法的软件包。\n\u003C!-- no toc -->\n- [概述](#overview)\n- [文档](#documentation)\n- [系统要求](#system-requirements)\n- [安装指南](#installation-guide)\n- [贡献](#contributing)\n- [许可证](#license)\n- [问题](#issues)\n- [引用 `graspologic`](#citing-graspologic)\n\n# 概述\n图（或网络）为数据提供了一种数学上直观的表示方式，其中元素之间存在某种关系。例如，社交网络可以被表示为一张图，将所有参与者视为节点，而连接则表示网络中每对个体是否互为好友。简单地将传统统计方法应用于图结构，往往会忽略节点在网络中的空间布局，从而无法充分利用图中蕴含的所有信息。在本包中，我们提供了专门针对图数据处理与分析的工具和算法。\n\n# 文档\n官方使用文档位于 [https:\u002F\u002Fgraspologic-org.github.io\u002Fgraspologic\u002Flatest](https:\u002F\u002Fgraspologic-org.github.io\u002Fgraspologic\u002Flatest)。\n\n更多深入用法请访问官方网站的 [教程部分](https:\u002F\u002Fgraspologic-org.github.io\u002Fgraspologic\u002Flatest\u002Ftutorials\u002Findex.html)。\n\n# 系统要求\n\u003C!-- omit in toc -->\n## 硬件要求\n`graspologic` 软件包仅需一台具备足够内存以支持内存操作的标准计算机即可运行。\n\n\u003C!-- omit in toc -->\n## 软件要求\n\u003C!-- omit in toc -->\n### 操作系统要求\n`graspologic` 已在以下操作系统上进行了测试：\n- Linux x64\n- macOS x64\n- Windows 10 x64\n\n同时，也已在以下 **x86_64** 版本的 Python 上进行了验证：\n- 3.9\n- 3.10\n- 3.11\n- 3.12\n\n如果您尝试在未列出的平台上使用 `graspologic` 并发现任何异常行为，请随时 [提交问题](https:\u002F\u002Fgithub.com\u002Fgraspologic-org\u002Fgraspologic\u002Fissues\u002Fnew)。提供具体的失败案例将有助于我们和用户更好地解决问题！\n\n# 安装指南\n\u003C!-- omit in toc -->\n## 通过 pip 安装\n```\npip install graspologic\n```\n\n\u003C!-- omit in toc -->\n## 从 GitHub 安装\n```\ngit clone https:\u002F\u002Fgithub.com\u002Fgraspologic-org\u002Fgraspologic\ncd graspologic\npython3 -m venv venv\nsource venv\u002Fbin\u002Factivate\npip install .\n```\n\n# 贡献\n我们欢迎任何人的贡献。在提交拉取请求之前，请先参阅我们的 [贡献指南](https:\u002F\u002Fgithub.com\u002Fgraspologic-org\u002Fgraspologic\u002Fblob\u002Fdev\u002FCONTRIBUTING.md)。我们的 [问题页面](https:\u002F\u002Fgithub.com\u002Fgraspologic-org\u002Fgraspologic\u002Fissues) 上有许多我们可以改进的地方！如果您有尚未列出的改进建议，请先 [创建一个问题] (https:\u002F\u002Fgithub.com\u002Fgraspologic-org\u002Fgraspologic\u002Fissues\u002Fnew)，以便与开发者讨论。\n\n# 许可证\n本项目采用 MIT 许可证进行授权。\n\n# 问题\n我们非常感谢详细的错误报告和功能请求（尽管我们更欢迎拉取请求！）。如有任何疑问或建议，请访问我们的 [问题页面](https:\u002F\u002Fgithub.com\u002Fgraspologic-org\u002Fgraspologic\u002Fissues)。\n\n# 引用 `graspologic`\n如果您在工作中觉得 `graspologic` 非常有用，请通过 [GraSPy 论文](http:\u002F\u002Fwww.jmlr.org\u002Fpapers\u002Fvolume20\u002F19-490\u002F19-490.pdf) 来引用该软件包：\n\n> Chung, J., Pedigo, B. D., Bridgeford, E. W., Varjavand, B. K., Helm, H. S., & Vogelstein, J. T. (2019). GraSPy: Graph Statistics in Python. Journal of Machine Learning Research, 20(158), 1-7.","# graspologic 快速上手指南\n\n`graspologic` 是一个专为图（网络）统计算法设计的 Python 包。它提供了处理和分析图数据的专用工具，能够利用节点的空间排列信息，比传统统计方法更有效地挖掘图数据中的价值。\n\n## 环境准备\n\n在开始之前，请确保您的开发环境满足以下要求：\n\n### 系统要求\n- **操作系统**：Linux x64、macOS x64 或 Windows 10 x64\n- **Python 版本**：支持 3.9、3.10、3.11 及 3.12 (x86_64 架构)\n- **硬件要求**：标准计算机即可，需具备足够的内存以支持内存内操作。\n\n### 前置依赖\n无需手动安装复杂的前置依赖，`pip` 安装过程会自动处理所需的 Python 库。\n\n## 安装步骤\n\n您可以选择通过 PyPI 直接安装，或者从 GitHub 源码安装。\n\n### 方式一：通过 pip 安装（推荐）\n\n使用国内镜像源可以显著提升下载速度。以下命令使用清华大学镜像源进行安装：\n\n```bash\npip install graspologic -i https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple\n```\n\n### 方式二：从 GitHub 源码安装\n\n如果您需要最新开发版或希望贡献代码，可以使用以下方式：\n\n```bash\ngit clone https:\u002F\u002Fgithub.com\u002Fgraspologic-org\u002Fgraspologic\ncd graspologic\npython3 -m venv venv\nsource venv\u002Fbin\u002Factivate  # Windows 用户请使用: venv\\Scripts\\activate\npip install .\n```\n\n## 基本使用\n\n`graspologic` 主要用于图的统计分析与建模。以下是一个最简单的示例，展示如何导入库并创建一个随机图模型进行基础操作。\n\n> **注意**：详细的使用教程和 API 文档请访问 [官方文档](https:\u002F\u002Fgraspologic-org.github.io\u002Fgraspologic\u002Flatest\u002Ftutorials\u002Findex.html)。\n\n```python\nimport numpy as np\nfrom graspologic.simulations import sbm\n\n# 1. 定义随机块模型 (SBM) 的参数\n# 假设我们有 2 个社区，每个社区 50 个节点\nn_communities = [50, 50]\n# 定义社区内的连接概率和社区间的连接概率\np = [[0.8, 0.1], \n     [0.1, 0.8]]\n\n# 2. 生成一个符合该模型的邻接矩阵\nA, labels = sbm(n_communities, p, return_labels=True)\n\n# 3. 查看生成的邻接矩阵形状\nprint(f\"邻接矩阵形状：{A.shape}\")\nprint(f\"节点标签前 10 个：{labels[:10]}\")\n\n# 接下来您可以将 A 传入 graspologic 的其他算法中进行嵌入、聚类或统计分析\n```\n\n如需深入了解更多高级功能（如图嵌入、模型拟合等），建议查阅官方文档中的 Tutorial 部分。","某金融风控团队需要分析数百万用户的转账交易网络，以识别潜在的洗钱团伙和异常资金流动模式。\n\n### 没有 graspologic 时\n- 开发人员只能套用传统统计方法处理图数据，完全忽略了节点在网络中的空间排列和拓扑结构信息。\n- 缺乏专用的图统计推断算法，难以从噪声巨大的交易网络中区分真实的犯罪团伙与偶然的资金往来。\n- 手动实现复杂的图匹配或嵌入算法耗时极长，且容易因数学推导错误导致模型准确率低下。\n- 面对大规模稀疏矩阵时，常规数据处理库内存占用过高，导致分析任务频繁崩溃或无法运行。\n\n### 使用 graspologic 后\n- 利用专为图设计的统计算法，充分挖掘了交易节点间的连接模式，显著提升了特征提取的丰富度。\n- 内置的先进图推断工具能精准量化子图结构的显著性，有效锁定隐藏的异常资金闭环。\n- 直接调用经过学术验证的高效算法接口，将原本数周的研发周期缩短至几天，且保证了数学严谨性。\n- 优化的底层内存管理支持在普通服务器上流畅处理百万级节点的大规模网络，稳定性大幅增强。\n\ngraspologic 通过将前沿的图统计理论转化为易用的工程代码，让团队能够从复杂的关系网络中挖掘出传统方法无法察觉的关键风险信号。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fgraspologic-org_graspologic_d4344389.png","graspologic-org","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002Fgraspologic-org_dc05c000.png",null,"https:\u002F\u002Fgithub.com\u002Fgraspologic-org",[78],{"name":79,"color":80,"percentage":81},"Python","#3572A5",100,983,167,"2026-04-12T17:56:52","MIT",1,"Linux, macOS, Windows","未说明","未说明（仅需足够支持内存操作的 RAM）",{"notes":91,"python":92,"dependencies":93},"仅支持 x86_64 架构。如果在非列出的平台上运行并发现异常行为，建议提交 issue。官方文档和教程可在项目官网查看。","3.9, 3.10, 3.11, 3.12",[],[16,14,95],"其他",[97,98,99,100,101,102],"graph","data-science","networks","python","machine-learning","graph-statistics","2026-03-27T02:49:30.150509","2026-04-13T13:36:23.474981",[106,111,116,121,126,131],{"id":107,"question_zh":108,"answer_zh":109,"source_url":110},31491,"如何为 ReadTheDocs 文档添加项目 Logo？","如果遇到 Logo 渲染宽度为 0px 的问题，可以参考 StackOverflow 上的解决方案：https:\u002F\u002Fstackoverflow.com\u002Fquestions\u002F59215996\u002Fhow-to-add-a-logo-to-my-readthedocs-logo-rendering-at-0px-wide。此外，需要确保拥有正确的资产文件（assets），并将其放置在文档配置的正确位置。","https:\u002F\u002Fgithub.com\u002Fgraspologic-org\u002Fgraspologic\u002Fissues\u002F740",{"id":112,"question_zh":113,"answer_zh":114,"source_url":115},31492,"在 Pull Request 检查失败后，是否需要关闭并重新提交 PR？","不需要创建新的 PR。如果你更新了分支并推送代码（git push），现有的 Pull Request 会自动更新并重新运行检查。只需修复代码（例如运行 black 格式化）并推送即可。","https:\u002F\u002Fgithub.com\u002Fgraspologic-org\u002Fgraspologic\u002Fissues\u002F291",{"id":117,"question_zh":118,"answer_zh":119,"source_url":120},31493,"如何使用 all-contributors bot 批量添加贡献者？","可以通过在评论中调用 bot 命令来添加贡献者。基本用法是：`@all-contributors please add @用户名 for 贡献类型`（例如 code, doc, infra）。也可以尝试一次性添加多个用户，格式如：`@all-contributors add @用户 A @用户 B for code`。如果命令无法识别意图，bot 会返回错误提示，需检查语法是否正确。","https:\u002F\u002Fgithub.com\u002Fgraspologic-org\u002Fgraspologic\u002Fissues\u002F667",{"id":122,"question_zh":123,"answer_zh":124,"source_url":125},31494,"在处理有向图进行社区检测布局时，库会如何处理？","如果用户希望按自动检测的社区进行着色，库内部通常会对有向图进行对称化处理（仅用于社区检测步骤）。这是有向图社区检测的典型做法。不过，维护者建议在这种情况下应该向用户发出警告，而不是完全静默地自动执行，以防假设不安全。","https:\u002F\u002Fgithub.com\u002Fgraspologic-org\u002Fgraspologic\u002Fissues\u002F736",{"id":127,"question_zh":128,"answer_zh":129,"source_url":130},31495,"项目采取了哪些具体措施来促进社区的多样性和包容性？","项目已采取多项具体措施：1. 开设了显式的“角色（Roles）”页面以提高可见性；2. 将项目添加到开源“适合新手（good first issue）”列表中（如 up-for-grabs.net 和 deepsourcelabs\u002Fgood-first-issue）；3. 制定了行为准则（Code of Conduct）；4. 针对文档可访问性问题设立了专门的改进议题。","https:\u002F\u002Fgithub.com\u002Fgraspologic-org\u002Fgraspologic\u002Fissues\u002F531",{"id":132,"question_zh":133,"answer_zh":134,"source_url":115},31496,"如何修复文档构建时的 Sphinx 警告（如缩进、脚注引用错误）？","常见的文档构建警告包括：列表结束缺少空行、意外缩进、脚注未引用、指令类型拼写错误（如将 `autofunction` 误写为 `autofumction`）以及 intersphinx 库存地址变更。解决方法是检查 docstring 格式，确保列表和缩进符合 reStructuredText 规范，修正拼写错误，并将旧的 scikit-learn 文档链接更新为新的 https 地址。",[136,141,146,151,156,161,165,169,173,177,181,185,189,193,198,203,208,213,218],{"id":137,"version":138,"summary_zh":139,"released_at":140},231261,"v3.4.4","在发布前手动升级版本号\n\n**完整变更日志**: https:\u002F\u002Fgithub.com\u002Fgraspologic-org\u002Fgraspologic\u002Fcompare\u002Fv3.4.3...v3.4.4","2025-09-08T21:30:29",{"id":142,"version":143,"summary_zh":144,"released_at":145},231262,"v3.4.3","（希望）修复 GitHub Actions 和发布流程中的问题\n\n**完整更新日志**: https:\u002F\u002Fgithub.com\u002Fgraspologic-org\u002Fgraspologic\u002Fcompare\u002Fv3.4.2...v3.4.3","2025-09-08T21:27:52",{"id":147,"version":148,"summary_zh":149,"released_at":150},231263,"v3.4.2","更新依赖项\n\n## 变更内容\n* 将单长度矩阵策略的维度移至环境变量中，由 @darthtrevino 在 https:\u002F\u002Fgithub.com\u002Fgraspologic-org\u002Fgraspologic\u002Fpull\u002F1082 中完成\n* 由 @dependabot[bot] 将 Tornado 从 6.4 升级至 6.4.1，详见 https:\u002F\u002Fgithub.com\u002Fgraspologic-org\u002Fgraspologic\u002Fpull\u002F1083\n* 更新 README.md，由 @sheneeb 在 https:\u002F\u002Fgithub.com\u002Fgraspologic-org\u002Fgraspologic\u002Fpull\u002F1097 中完成\n* 升级 hyppo 版本，由 @nightosong 在 https:\u002F\u002Fgithub.com\u002Fgraspologic-org\u002Fgraspologic\u002Fpull\u002F1092 中完成\n\n## 新贡献者\n* @sheneeb 在 https:\u002F\u002Fgithub.com\u002Fgraspologic-org\u002Fgraspologic\u002Fpull\u002F1097 中完成了首次贡献\n* @nightosong 在 https:\u002F\u002Fgithub.com\u002Fgraspologic-org\u002Fgraspologic\u002Fpull\u002F1092 中完成了首次贡献\n\n**完整变更日志**: https:\u002F\u002Fgithub.com\u002Fgraspologic-org\u002Fgraspologic\u002Fcompare\u002Fv3.4.1...v3.4.2","2025-08-29T23:47:18",{"id":152,"version":153,"summary_zh":154,"released_at":155},231264,"v3.4.1","更新依赖版本\n * beartype: `^0.10.4` -> `^0.18.5`\n * hyppo: `^0.3.2` -> `^0.4.0`\n * networkx: `^2.8.8` -> `^3`\n * POT: `^0.7.0` -> `^0.9.0`\n","2024-05-22T22:43:26",{"id":157,"version":158,"summary_zh":159,"released_at":160},231265,"v3.4.0","* 支持 Python 3.12\n* 使用基于 Poetry 的新构建系统\n* 将 `microsoft\u002Fgraspologic` 的引用替换为 `graspologic-org\u002Fgraspologic`","2024-05-22T18:31:56",{"id":162,"version":163,"summary_zh":75,"released_at":164},231266,"v3.3.0","2023-09-29T19:03:46",{"id":166,"version":167,"summary_zh":75,"released_at":168},231267,"v3.2.0","2023-05-23T19:00:34",{"id":170,"version":171,"summary_zh":75,"released_at":172},231268,"v3.1.0","2023-05-22T14:17:05",{"id":174,"version":175,"summary_zh":75,"released_at":176},231269,"v3.0.0","2023-03-24T01:40:28",{"id":178,"version":179,"summary_zh":75,"released_at":180},231270,"v2.0.1","2022-12-10T17:01:07",{"id":182,"version":183,"summary_zh":75,"released_at":184},231271,"v2.0.0","2022-09-16T19:48:07",{"id":186,"version":187,"summary_zh":75,"released_at":188},231272,"v1.0.0","2022-02-10T23:54:25",{"id":190,"version":191,"summary_zh":75,"released_at":192},231273,"v0.3.1","2021-11-05T17:29:36",{"id":194,"version":195,"summary_zh":196,"released_at":197},231274,"v0.3","公告：GraSPy 0.3\r\n==========================\r\n\r\n我们很高兴地宣布 GraSPy 0.3 版本正式发布！GraSPy 是一个用于理解由现代数据集（如社交网络和脑网络）生成的随机图性质的 Python 软件包。\n\n欲了解更多信息，请访问我们的[官网](http:\u002F\u002Fgraspy.neurodata.io\u002F)和[教程](https:\u002F\u002Fgraspy.neurodata.io\u002Ftutorial.html)。\n\n\n亮点\n----------\n本次发布历时超过 5 个月，共有 7 位贡献者提交了 11 多个拉取请求。主要亮点包括：\n\n- 新增基于种子的图匹配功能，并将图匹配类重命名为 ``GraphMatch``；\n- 添加了用于模拟一对相关 RDPG 图的函数；\n- 废弃对 Python 3.5 的支持；\n- 为 Hyppo 中的 ``LatentDistributionTest`` 增加了不同的后端假设检验方法；\n- 修复了一个问题，使 ``LatentDistributionTest`` 能够正确处理不同大小的图。\n\n\n改进\n------------\n- 更新了 RDPG 模拟中 ``rescale`` 参数的默认值；\n- 更新了 MASE 估计中 ``scaled`` 参数的默认值；\n- 改进了 ``AutoGMM`` 的错误抛出机制；\n- 清晰化了 ``inference`` 子模块的 API。\n\n\nAPI 变更\n-----------\n- 将 ``FastApproximateQAP`` 重命名为 ``GraphMatch``；\n- ``LatentDistributionTest`` 和 ``LatentPositionTest`` 的 ``fit`` 方法现在返回自身，而非 p 值。\n\n\n废弃内容\n------------\n- Python 3.5 已被废弃。\n\n\n本次版本的贡献者\n--------------------\n- [Jaewon Chung](https:\u002F\u002Fgithub.com\u002Fj1c)\n- [Benjamin Pedigo](https:\u002F\u002Fgithub.com\u002Fbdpedigo)\n- [Ali Saad-Eldin](https:\u002F\u002Fgithub.com\u002Fasaadeldin11)\n- [Shan Qiu](https:\u002F\u002Fgithub.com\u002FSHAAAAN)\n- [Bijan Varjavand](https:\u002F\u002Fgithub.com\u002Fbvarjavand)\n- [Anton Alyakin](https:\u002F\u002Fgithub.com\u002Falyakin314)（新贡献者！）\n- [Casey Weiner](https:\u002F\u002Fgithub.com\u002Fcaseypw)（新贡献者！）","2020-08-05T15:02:28",{"id":199,"version":200,"summary_zh":201,"released_at":202},231275,"v0.2","亮点\n----------\n本次发布是历时8个多月的工作成果，共有10位贡献者提交了超过25个拉取请求。主要亮点包括：\n\n- 在`cluster`子模块中新增了`AutoGMMCluster`。`AutoGMMCluster`是R语言中`mclust`的Python等价实现。\n- 新增了`subgraph`子模块，用于检测与给定特征最大化相关的顶点。\n- 新增了`match`子模块，用于在顶点对应关系未知的一对图之间进行顶点匹配。\n- 新增了用于模拟一对相关ER模型和SBM模型图的功能。\n\n改进\n----\n- 在`AdjacencySpectralEmbed`中，对角线扩充已成为默认行为。\n- 在`to_laplace`中增加了对有向图的支持。\n- 更新了文档字符串。\n- 更新了文档网站。\n- 修复了多个bug。\n\nAPI变更\n-------\n- 为`heatmap`添加了`**kwargs`参数。","2020-03-03T18:05:16",{"id":204,"version":205,"summary_zh":206,"released_at":207},231276,"v0.1","## 亮点\n本次发布是历时两个多月、由三位贡献者提交超过18个拉取请求共同完成的成果。主要亮点包括：\n\n- 新增了 `MultipleASE`，这是一种用于图群体嵌入的新方法。\n- 在 `pipeline` 模块中新增了 `mug2vec`，该方法可学习图群体的特征向量。","2019-08-06T17:51:36",{"id":209,"version":210,"summary_zh":211,"released_at":212},231277,"v0.0.3","亮点\n----------\n本次发布历时两个多月，由四位贡献者提交了超过16个拉取请求。主要亮点包括：\n\n- 在使用 `GaussianCluster` 时对协方差结构进行了优化\n- 使用 `heatmap` 或 `gridplot` 可视化图数据时实现了标准化排序\n- 提供了用于将多种随机图模型拟合到输入数据集的图模型类\n- 改进了 `heatmaps` 和 `gridplots` 的自定义功能","2019-06-11T15:50:52",{"id":214,"version":215,"summary_zh":216,"released_at":217},231278,"v0.0.2","亮点\n----------\n本次发布是历时3个月的工作成果，共有5位贡献者提交了超过16个拉取请求。主要亮点包括：\n\n- 用于检验两个顶点未对齐图的非参数假设检验方法。\n- 对``pairplot``、``gridplot``和``heatmaps``的绘图功能进行了更新。\n- 支持度相关随机块模型（DC-SBM）的采样。\n- 新增``import_edgelist``函数，用于导入单个或多个边列表文件。\n- 强制使用``Black``代码格式化工具对本包进行格式化。","2019-03-27T20:50:13",{"id":219,"version":220,"summary_zh":221,"released_at":222},231279,"v0.0.1","Highlights\r\n----------\r\nThis release is the result of over two years of work with 238 commits and 35 merges by 4 contributors. \r\nHighlights include:\r\n- Fast implementation of dimensionailty reduction using different implementation of SVD.\r\n- Single and multiple graph embedding methods.\r\n- Methods for preprocessing graphs for meaningful embeddings.\r\n- Hypothesis testing, specifically semiparametric testing of two graphs.\r\n- Methods for clustering vertices or population of graphs\r\n- Plotting functions for visualization of graphs and high dimensional data.","2018-12-14T05:52:54"]