首先画出转换矩阵

编写代码如下：

import numpy as np
p = 0.85  # 社交网络阻尼系数p=0.85
a = np.array([[0, 0, 0, 0, 0, 0],
              [1 / 3, 0, 0, 0, 0, 1 / 2],
              [1 / 3, 1 / 3, 0, 1 / 2, 0, 0],
              [1 / 3, 1 / 3, 1, 0, 0, 1 / 2],
              [0, 0, 0, 0, 0, 0],
              [0, 1 / 3, 0, 1 / 2, 1, 0]], dtype=float)  # dtype指定为float类型，因为最后算出来的结果可能为小数
n = a.shape[1]  #维度为6
b = np.transpose(a)  # b为a的转置矩阵
m = np.zeros((a.shape), dtype=float)#构造一个全为0的矩阵,精度设置为小数
for i in range(a.shape[0]):
    for j in range(a.shape[1]):
        m[i][j] = a[i][j] / (b[j].sum())  # 完成初始化分配,m是从第一行开始,每次增加一行

q = np.zeros((a.shape[0], 1), dtype=float)  # 构造一个存放pr值的矩阵
for i in range(m.shape[0]):
    q[i] = float(1) / m.shape[0]#m是从最上面开始逐行相同
count = 0#定义迭代次数
ee = np.array([[1 / n] * n]).reshape(n, -1)#重塑为n行
for i in range(100):# 循环100次计算pageRank值
    q = p * np.dot(m, q) + (1 - p) * ee#dot是矩阵乘法
    count += 1
print(q)# pageRank值

 运行结果如图所示：