networkx使用笔记(二)之小试牛刀篇

图的类型

     Graph类是无向图的基类，无向图能有自己的属性或参数，不包含重边，允许有回路，节点可以是任何hash的python对象，节点和边可以保存key/value属性对。该类的构造函数为Graph(data=None，**attr)，其中data可以是边列表，或任意一个Networkx的图对象，默认为none；attr是关键字参数，例如key=value对形式的属性。

     MultiGraph是可以有重边的无向图，其它和Graph类似。其构造函数MultiGraph（data=None, *attr）。

     DiGraph是有向图的基类，有向图可以有数自己的属性或参数，不包含重边，允许有回路；节点可以是任何hash的python对象，边和节点可含key/value属性对。该类的构造函数DiGraph(data=None,**attr)，其中data可以是边列表，或任意一个Networkx的图对象，默认为none；attr是关键字参数，例如key=value对形式的属性。

     MultiGraph是可以有重边的有向图，其它和DiGraph类似。其构造函数MultiDiGraph（data=None, *attr）。

图的创建

      >>>import networkx as nx

     >>>G=nx.Graph() #创建了一个没有节点和边的空图

     这里的图Graph是由一系列节点及节点对（或者说边、链接）组成。在Networx中，节点可以是任何可以被hash的对象，包括文本字符串、图片、XML对象、Graph和自定义的节点等。

图的节点

     图可以以多种方式进行增长。Networkx提供多个图生成功能用于读写图。

     一次增加一个节点：>>>G.add_node(1)

     通过包含节点的容器增加节点：#可以是列表、字典、文件的某些行、其它图等

            列表>>>G.add_nodes_from([2,3])

            其它图>>>G.add_nodes_from(H) #H is a graph object here

图的边

     一次增加一条边：>>>G.add_edge(1,2)

     通过包含边的容器增加：

            列表>>>G.add_edges_from([(1,2),(1,3)])

            边集合>>>G.add_edges_from(H.edges())  #H is also a graph here

属性

     对于图，边和节点都能将key/value对作为自己的属性，保存在相关的dictionary中。该关联字典默认为空，但是能通过add_edge,add_node或操作进行修改。

     添加图的属性：>>>G=nx.Graph(day="Friday")

     添加节点的属性：#主要的方法是add_node()和add_nodes_from()

            >>>G.add_node(1,time='5pm')  #给节点1加属性对time:5pm

            >>>G.add_nodes_from([3], time='2pm') #对前一个参数中的所有节点，添加属性对time:2pm

            >>>G.node[1]['room']=714  #为G中的节点1添加属性对room:714

     添加边的属性：#主要方法是add_edge(),add_edges()和G.edge

            >>>G.add_edge(1,2,'weight'=4.7) #为1和2之间的边，添加属性weight:4.7

            >>>G.add_edges_from([(3,4),(4,5)],color='red') #为连接3和4、4和5的边添加属性对color:red

            >>>G[1][2]['weight']=4.7

            >>>G.edge[1][2]['weight']=4

其它

      len(G)  #返回G中节点数目

      n in G  #检查节点n是否在G中，如在，返回true。

实例

     任意创建一个Graph（默认为无重边的无向图），简单的节点和边的添加，显示一些统计参数，展示度分布图。

IDLE 2.6.6        
>>> import networkx as nx //使用库的声明  
>>> G=nx.Graph()  //初始化  
>>> G=nx.Graph(name='my graph')  
>>> e=[(1,2),(1,3),(2,3),(3,4),(4,5)]  
>>> G=nx.Graph(e)  //为图G添加边  
>>> nx.degree(G)  
{1: 2, 2: 2, 3: 3, 4: 2, 5: 1}  
>>> nx.degree_histogram(G)  
[0, 1, 3, 1]  
>>> nx.density(G)   
0.5  
>>> nx.degree_c  
>>> nx.degree_centrality(G)  
{1: 0.5, 2: 0.5, 3: 0.75, 4: 0.5, 5: 0.25}  
>>> nx.closeness_centrality(G)  
{1: 0.5714285714285714, 2: 0.5714285714285714, 3: 0.80000000000000004, 4: 0.66666666666666663, 5: 0.44444444444444442}  
>>> nx.betweenness_centrality(G)  
{1: 0.0, 2: 0.0, 3: 0.66666666666666663, 4: 0.5, 5: 0.0}  
>>> nx.triangles(G)  
{1: 1, 2: 1, 3: 1, 4: 0, 5: 0}  
>>> nx.transitivity(G)  
0.5  
>>> nx.clustering(G)  
{1: 1.0, 2: 1.0, 3: 0.33333333333333331, 4: 0.0, 5: 0.0}  
>>> import matplotlib.pyplot as plt  
>>> x=range(len(nx.degree_histogram(G)))  
>>> degree=nx.degree_histogram(G)  
>>> y=[z/float(sum(degree)) for z in degree]  
>>> plt.loglog(x,y,color="red",linewidth=4)  
[<matplotlib.lines.Line2D object at 0x03219570>]  
>>> plt.show()  

相关函数：

      初始化：G=nx.Graph()

      图相关属性的函数：

                      nx.degree(G)// 计算图的密度，其值为边数m除以图中可能边数（即n(n-1)/2）
                      nx.degree_centrality(G)//节点度中心系数。通过节点的度表示节点在图中的重要性，默认情况下会进行归一化，其值表达为节点度d(u)除以n-1（其中n-1就是归一化使用的常量）。这里由于可能存在循环，所以该值可能大于1.

                      nx.closeness_centrality(G)//节点距离中心系数。通过距离来表示节点在图中的重要性，一般是指节点到其他节点的平均路径的倒数，这里还乘以了n-1。该值越大表示节点到其他节点的距离越近，即中心性越高。

                      nx.betweenness_centrality(G)//节点介数中心系数。在无向图中，该值表示为节点作占最短路径的个数除以((n-1)(n-2)/2)；在有向图中，该值表达为节点作占最短路径个数除以((n-1)(n-2))。

                      nx.transitivity(G)//图或网络的传递性。即图或网络中，认识同一个节点的两个节点也可能认识双方，计算公式为3*图中三角形的个数/三元组个数（该三元组个数是有公共顶点的边对数，这样就好数了）。

                      nx.clustering(G)//图或网络中节点的聚类系数。计算公式为：节点u的两个邻居节点间的边数除以((d(u)(d(u)-1)/2)。

最后的截图：