在Graphviz中画出好看的二叉树、B树、如何使用pos变量

已于 2023-02-23 16:31:46 修改
阅读量2.8k 收藏 14
点赞数 2
文章标签： graphviz
于 2021-10-23 19:04:33 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/HellHellNo/article/details/120924487
版权
本文介绍了如何使用Graphviz的DOT语言在IDEA中绘制规整的二叉树和B树，包括添加隐藏节点、修改节点和箭头属性，解决节点分割方向问题，并详细解释了相关语法。同时，展示了使用pos参数调整节点位置以绘制特定形状的树，并通过实例演示了归并排序的图解过程。
摘要由CSDN通过智能技术生成

一、二叉树

(一) 前提

使用过Graphviz画二叉树的同学都会发现，画出来的东西没有像教材那样规规矩矩，对于有强迫症的同学来说，可以采用以下思路进行完善

(二) IDEA + Dot

@startuml
digraph btree {
    graph [nodesep=0.1, pad=0.02, ranksep=0.5]
    node [shape=circle, style=bold, fontsize=22, fontname=Consolas, width=0.8, height=0.8]
    edge [style=bold]
    34 -> 5
    34 -> 77
    5 -> 3
    n1[width=0.1, height=0.1, shape=point, style=invis]
    5 -> n1[weight=10, style=invis]
    5 -> 22
    77 -> 59
    n2[width=0.1, height=0.1, shape=point, style=invis]
    77 -> n2[weight=10, style=invis]
    77 -> 91
};
@enduml

(三) 结果

(四) 语法说明

1、添加隐藏节点进行占位
  • 在节点3、节点22之间添加节点n1，在节点59、节点91之间添加节点n2
  • 由于Graphviz是按Dot的书写顺序来添加节点的，因此做出以上选择
  • 添加完节点后还需让节点5、节点77分别指向节点n1、节点n2，只有这样才能让n1、n2出现在我们想要的位置处
2、修改节点、箭头属性
  • style=invis：隐藏
  • shape=point：将节点n1、n2从node中定义的circle改为point，能节省更多空间，使其更美观
  • width=0.1, height=0.1：将节点n1、n2进一步缩小
  • weight=10：使节点n1、n2能够杵在中间，不会歪歪斜斜

二、B树

(一) DOT + IDEA

@startuml
digraph BTree {
    graph [nodesep=0.1, pad=0.02, ranksep=0.5, splines=false]
    node [shape=record, style=bold, fontsize=22, fontname=Consolas, width=0.8, height=0.8]
    edge [style=bold]

    Root[label="{M | { <f0> | <f1> }}"];
    Node1[label="{{D | G} | {<f0> | <f1> | <f2>}}"];
    Node2[label="{{Q | T} | { <f0> | <f1> | <f2> }}"];
    Node3[label="{{A | C} | { <f0> | <f1> | <f2> }}"];
    Node4[label="{{E | F} | { <f0> | <f1> | <f2> }}"];
    Node5[label="{{H | K | L} | { <f0> | <f1> | <f2> | <f3> }}"];
    Node6[label="{{N | P} | { | | }}"];
    Node7[label="{{R | S} | { | | }}"];
    Node8[label="{{W | X | Y | Z} | { | | | | }}"];

    Root : f0 : s -> Node1 : n;
    Root : f1 : s -> Node2 : n;
    Node1 : f0 : s -> Node3 : n;
    Node1 : f1 -> Node4 : n[weight=10];
    Node1 : f2 -> Node5 : n;
    Node2 : f0 -> Node6 : n;
    Node2 : f1 -> Node7 : n[weight=10];
    Node2 : f2 : s -> Node8 : n;
}
@enduml

(二) 结果

(三) 遇见的问题(节点分割方向问题)

1、产生的问题

以Root节点为例，一般采用的分割语句为：

Root[label="M | { <f0> | <f1> }"];

但这样所获取的结构并不是我想要的：

我要的是这种：

2、解决方案
(1) 思路一(无法解决)
  • 在graph中添加rankdir=LR，LR表示Left to Right，改变了全局结构的方向
  • 虽可解决上述的小问题，但会导致出现另一个问题：即箭头方向也为LR
  • 最终形成的总体结果完全不理想：
(2) 思路二(无法解决)
  • 考虑到rankdir在graph中，是全部变量，那我就打算将其局部化
  • 将rankdir从graph中去除，加在node里，加在指向里，最后发现毫无卵用
(3) 思路三(成功解决)
  • 知识点：“|”用于分割多列，“{ | }”用于分割多行
  • 了解到这个知识点后，我就想：那将上下作为列，不就可以实现完整的上下分割了吗？
  • 仍以Root节点为例：即在最外层添加1个"{}"，将整体作为列
Root[label="{M | { <f0> | <f1> }}"];
  • 通过这种方式实现特定情况下的“节点方向从左到右，全局方向为从上到下”

(四) 语法说明

1、<f0>、<f1>等；n、s等

作为箭头的指针，如：

Root : f0 : s -> Node1 : n;

n表示north，s表示south
含义：箭头从Root节点的f0的南处出发，指向Node1节点的北处

2、splines=false

使用了上方的指针会出现1个问题：箭头变得弯曲，使用该语句可将箭头强制掰直

三、pos参数的使用

(一) 说明

要先通过layout将引擎由dot改为neato
以极端的二叉搜索树为例

(二) NEATO + IDEA

@startuml
digraph Demo {
    layout=neato;
    graph [nodesep=0, pad=0.03, ranksep=0, splines=false];
    node [shape=circle, style=bold, fontsize=22, fontname=Consolas, width=0.7]
    edge [style=bold];

    1[pos="0, 6!"];
    2[pos="1, 5.5!"];
    3[pos="2, 5!"];
    4[pos="3, 4.5!"];
    5[pos="4, 4!"];
    6[pos="5, 3.5!"];
    1 -> 2 -> 3 -> 4 -> 5 -> 6;
}
@enduml

(三) 结果

四、使用pos画树

(一) NETAO + IDEA

使用pos可简化上方的画树过程，以红黑树的插入过程为例

@startuml
digraph RBTInsert {
    layout=neato;
    graph [nodesep=0.1, pad=0.03, ranksep=0.3, splines=false];
    node [shape=circle, style=bold, fontsize=22, fontname=Consolas, fontcolor=white, width=0.7];
    edge [style=bold, fontsize=22, fontname=Consola];

    A1[label=A, pos="2, 4!"];
    B1[label=B, pos="1.5, 3.1!"];
    C1[label=C, pos="2.5, 3.1!"];
    D1[label=D, pos="1, 2.2!"];
    E1[label=E, pos="0.5, 1.3!"];
    F1[label=F, pos="1.5, 1.3!"];
    G1[label=G, pos="0, 0.4!"];
    A1, D1, A2, E2, F2, A3, B3, C3, E3, F3[style=filled, fillcolor=black];
    B1, C1, E1, F1, G1, B2, C2, D2, G2, D3, G3[style=filled, fillcolor=red, color=red];
    A1 -> B1 -> D1 -> E1 -> G1;
    D1 -> F1;
    A1 -> C1;

    A2[label=A, pos="5.5, 4!"];
    B2[label=B, pos="5, 3.1!"];
    C2[label=C, pos="6, 3.1!"];
    D2[label=D, pos="4.5, 2.2!"];
    E2[label=E, pos="4, 1.3!"];
    F2[label=F, pos="5, 1.3!"];
    G2[label=G, pos="3.5, 0.4!"];
    A2 -> B2 -> D2 -> E2 -> G2;
    D2 -> F2;
    A2 -> C2;

    A3[label=A, pos="9, 4!"];
    B3[label=B, pos="8.5, 3.1!"];
    C3[label=C, pos="9.5, 3.1!"];
    D3[label=D, pos="8, 2.2!"];
    E3[label=E, pos="7.5, 1.3!"];
    F3[label=F, pos="8.5, 1.3!"];
    G3[label=G, pos="7, 0.4!"];
    A3 -> B3 -> D3 -> E3 -> G3;
    D3 -> F3;
    A3 -> C3;

    N1[shape=point, pos="2.5, 2.2!", width=0];
    N2[shape=point, pos="3.8, 2.2!", width=0];
    N1 -> N2[headlabel="(1)", labeldistance=5.1, labelangle=-17];
    N3[shape=point, pos="6, 2.2!", width=0];
    N4[shape=point, pos="7.3, 2.2!", width=0];
    N3 -> N4[headlabel="(2)(3)", labeldistance=5.1, labelangle=-17];
}
@enduml

(二) 结果

(三) 说明

N1 -> N2[headlabel="(1)", labeldistance=5.1, labelangle=-17];

N1、N2被我设置为点且不可见
以图示说明labeldistance、labelangle的作用(以使用headlabel为前提)：

五、归并排序图解

@startuml
digraph Demo {
    layout=neato;
    graph [nodesep=0, pad=0.03, ranksep=0, splines=false];
    node [shape=rect, style=bold, fontsize=22, fontname=Consolas, width=0.6, height=0.6]
    edge [style=bold];

    A1[label=10, pos="1, 11!"];
    A2[label=6, pos="1.6, 11!"];
    A3[label=4, pos="2.2, 11!"];
    A4[label=2, pos="2.8, 11!"];
    A5[label=15, pos="3.4, 11!"];
    A6[label=9, pos="4, 11!"];

    B1[label=10, pos="0, 10!"];
    B2[label=6, pos="1, 10!"];
    B3[label=4, pos="2, 10!"];
    B4[label=2, pos="3, 10!"];
    B5[label=15, pos="4, 10!"];
    B6[label=9, pos="5, 10!"];
    B1->B2[arrowhead = none];
    B3->B4[arrowhead = none];
    B5->B6[arrowhead = none];

    C1[label=6, pos="0.2, 9!"];
    C2[label=10, pos="0.8, 9!"];
    C3[label=2, pos="2.2, 9!"];
    C4[label=4, pos="2.8, 9!"];
    C5[label=9, pos="4.2, 9!"];
    C6[label=15, pos="4.8, 9!"];
    C2->C3[arrowhead = none];

    D1[label=2, pos="0.8, 8!"];
    D2[label=4, pos="1.4, 8!"];
    D3[label=6, pos="2, 8!"];
    D4[label=10, pos="2.6, 8!"];
    D5[label=9, pos="3.8, 8!"];
    D6[label=15, pos="4.4, 8!"];
    D4->D5[arrowhead = none];

    E1[label=2, pos="1, 7!"];
    E2[label=4, pos="1.6, 7!"];
    E3[label=6, pos="2.2, 7!"];
    E4[label=9, pos="2.8, 7!"];
    E5[label=10, pos="3.4, 7!"];
    E6[label=15, pos="4, 7!"];

    F1[pos="0.5, 10!", style=invis];
    F2[pos="2.5, 10!", style=invis];
    F3[pos="4.5, 10!", style=invis];
    F4[pos="1.5, 9!", style=invis];
    F5[pos="4.5, 9!", style=invis];
    F6[pos="3.2, 8!", style=invis];
    F1 : s -> C2 : nw;
    F2 : s -> C4 : nw;
    F3 : s -> C6 : nw;
    F4 : s -> D2 : ne;
    F5 : s -> D5 : ne;
    F6 : s -> E3 : ne;
}
@enduml
HellHellNo
关注
画二叉树小工具dtree源码
12-06
画二叉树小工具源码。博文链接地址 http://blog.csdn.net/karizhang
graphviz 绘制二叉树
tyustli
10-11 545
【代码】graphviz 绘制二叉树。
使用Python、Tkinter和Graphviz可视化二叉搜索树
最新发布
寒冰屋的专栏
07-12 91
在本文中，我希望演示如何在二叉搜索树中插入和遍历节点。我还想解释一下以图形方式可视化二叉搜索树中节点关系的过程。
使用graphviz绘制二叉树
给永远比拿愉快
05-12 1万+
Graphviz是开源免费跨平台图形绘制工具，使用其提供的dot语法，可以很方便的用来绘制“图”结构（这里的图可以理解为是数学上或者计算机科学中所说的图），并支持多种格式输出。语法首先，来简单看一下dot语法。 1. 使用digraph关键字定义有向图，使用->表述节点之间的关系。如: （g是图的名称，a，b，c是三个节点）digraph g { a->b; b->c; c->a;
二叉树可视化--Graphviz
最帅惋红曲
08-29 7278
二叉树可视化--Graphviz
二叉树GUI图形界面程序
09-17
二叉树图形界面MFC程序，建树的时候使用图形界面的表格形式填入数据，可以看做是层序输入。由于是二叉树，所以树之间的连线就没必要画了。可以输出先、中、后序遍历以及层序遍历结果。
c语言调用graphviz_如何使用graphviz绘制流程图
weixin_39524636的博客
12-21 837
今天给大家安利一款小清新的思维导图开源软件 graphviz我也是刚发现，兴奋之余来跟大家分享一下，好了废话不多讲，===========================================分割线========================第一步：下载安装：http://www.graphviz.org/(官网)这里只说一下window，因为本人用的就是Windows哈哈哈！选者...
python-networkx-graphviz
Percypan的博客
01-14 886
1：安装GraphViz，配置系统环境变量； 2：安装graphviz.whl； 3：安装pygraphviz.whl; 4：Enjoy！Example Code:# -*- coding: utf-8 -*- import networkx as nx import matplotlib.pyplot as plt import graphviz import random from ne
基于Python的决策树分类器与剪枝
TensorFlowNews
08-06 1221
作者|Angel Das 编译|VK 来源|Towards Data Science 介绍 决策树分类器是一种有监督的学习模型，在我们关心可解释性时非常有用。 决策树通过基于每个层次的多个问题做出决策来分解数据 决策树是处理分类问题的常用算法之一。 为了更好地理解它，让我们看看下面的例子。 决策树通常包括： 根节点-表示被进一步划分为同质组的样本或总体 拆分-将节点分为两个子节点的过程 决策节点-当一个子节点根据某个条件拆分为其他子节点时，称为决策节点 叶节点或终端节点-不进一步拆分的子节点 信息增
机器学习实验二 决策树
weixin_45775594的博客
12-21 2076
一、算法原理 1.决策树（Decision Tree）是一种简单但是广泛使用的分类器。通过训练数据构建决策树，可以高效的对未知的数据进行分类。 2.决策树需要监管学习，监管学习就是给出一堆样本，每个样本都有一组属性和一个分类结果，也就是分类结果已知，那么通过学习这些样本得到一个决策树，这个决策树能够对新的数据给出正确的分类。 3.决策树有两大优点：1）决策树模型可以读性好，具有描述性，有助于人工分析；2）效率高，决策树只需要一次构建，反复使用，每一次预测的最大计算次数不超过决策树的深度。 举个我们上课讲过
机器学习分类算法之XGBoost（集成学习算法）
热门推荐
迷茫与徘徊只会让你陷入绝境，欢迎私信博主，带你开始提升变现价值！
02-14 8万+
目录 走进XGBoost 什么是XGBoost？ XGBoost树的定义 XGBoost核心算法 正则项：树的复杂程度 XGBoost与GBDT有什么不同 XGBoost需要注意的点 XGBoost重要参数详解 调参步骤及思想 XGBoost代码案例 相关性分析 n_estimators（学习曲线） max_depth（学习曲线） 调整max_depth 和min_child_weight 调整gamma 调整subsample 和colsample_bytree 调整正则
scratch画二叉树
04-22
使用scratch实现画二叉树，利于小学生学习，将logo语言与scratch联系起来。
决策树绘制graphviz
03-19
改名zip,直接解压，添加路径到变量即可。无需安装。我电脑msi装不上，所以才想到的这个办法。
demo_通过graphviz绘制二叉树.zip
03-02
通过graphviz绘制二叉树的样例工程。 内容在博文里都有：https://blog.csdn.net/a435262767/article/details/104606272
画二叉树小工具
karizhang的专栏
12-06 1万+
学习树的时候，经常需要在纸上画出逻辑存储结构。不仅不环保， 还麻烦。写了一个画二叉树的小工具dtree(drawtree)。源代码参考下面链接。 先上个图 该工具是基于终端字符图形库ncurses实现的， 其实如果完全不用第三方库， 也能实现， 只不过有些限制和麻烦。 一般linux发行版都有ncurses(或者curses)库, dtree工具用ncurse
通过graphviz绘制二叉树，提供demo
Liber-coder的博客
03-02 1125
通过graphviz绘制二叉树，提供demo
【软件】[Qt\C++] 图形化二叉树——用QT5实现
gongfpp的博客
05-10 2491
一、 实验任务（实验题目、目的） 实现二叉树 二、 任务分析 假设已经有了二叉树，设计可视化算法实现图像 学习qt 设置各按钮槽函数 将可视化算法与二叉树缝合 优化代码画图步骤 Debug 准备发csdn和GitHub 三、 实验设计（实验环境、算法、步骤、核心代码等） 环境：QT5 使用QT CREATOR编程（内置帮助快速查询，很方便） 核心可视化代码如下 二叉树的内容较为简单，不当核心。 //x,y start at 0 void MainWindow::drawNode(Node* node,i
使用graphviz画二叉树
lls2012的专栏
10-16 766
1.下载graphvizgraphviz-2.38.zip下载地址解压后进入bin目录，启动一个cmd2.代码digraph abc{ 4 [style="filled", color="black", fillcolor="chartreuse"]; 6; 8; 5; 9; 4 -> 6; 4 -> 8; 6 -> 5 [color="red"]; 6 -> 9;
import numpy as np import matplotlib.pyplot as plt import pandas as pd w = pd.read_csv('BostonHousing2.csv') w_new=w.drop(columns=["chas"],axis=1) wn0 = w_new.columns wn = wn0[5:] f = plt.figure(figsize=(16,8)) k=0 for i in range(len(wn)): for j in range(len(wn)): k=k+1 if i!=j: f.add_subplot(len(wn),len(wn),k) else: f.add_subplot(len(wn),len(wn),k) plt.scatter([0,1],[0,1]) plt.text(.5,.5,wn[i],\ ha='center',va='center',size=10) y=np.array(w[wn[0]])[:,np.newaxis] X=np.array(w[wn[1:]]) from sklearn import linear_model regr=linear_model.LinearRegression(fit_intercept=False) regr.fit(X,y) print(regr.coef_) res=y-regr.predict(X) import scipy.stats as stats import pylab res.shape=res.shape[0] f=plt.figure(figsize=(12,5)) f.add_subplot(121) plt.scatter(regr.predict(X),res) plt.plot(regr.predict(X),np.ones(len(y))) plt.xlabel('Fitted values') plt.ylabel('Residuals') f.add_subplot(122) stats.probplot(res,dist="norm",plot=pylab) plt.show() from sklearn.tree import DecisionTreeRegressor from sklearn import tree import graphviz regr2 =DecisionTreeRegressor(max_depth=4,random_state=100) regr2 = regr2.fit(X,y) dot_data=tree.export_graphviz(regr2,feature_names=wn[1:],out_file=None) graph=graphviz.Source(dot_data) f=plt.figure(figsize=(12,5)) f.add_subplot(111) height=regr2.feature_importances_ bars = wn[1:] y_pos=np.arange(len(bars)) plt.bar(y_pos,height) plt.xticks(y_pos,bars) plt.yticks() plt.show() 分析上述代码的运行结果
07-14
这段代码的运行结果将显示出多个图表和一些数字输出。 首先，代码中的循环将生成一个图表，该图表的每个子图都是特征与特征之间的散点图。这些散点图中，特征与自身的散点图上会显示特征的名称。 接下来，代码计算了线性回归模型的系数（coef_），并将预测值与实际值之间的残差保存在变量res中。然后，它绘制了两个子图：左边的子图显示了预测值与残差之间的散点图，并画出了一条水平线表示残差为1的边界；右边的子图是正态概率图，用于检验残差是否符合正态分布。 接下来，代码使用决策树回归模型进行拟合，并使用graphviz库将决策树可视化为一个图形。这部分代码将生成一个决策树模型的可视化结果。 最后，代码绘制了一个柱状图，显示了特征的重要性。柱状图的x轴是特征的名称，y轴是特征的重要性值。 请注意，以上结果是根据'BostonHousing2.csv'文件和特定参数设置得出的。如果你使用不同的数据集或参数，可能会得到不同的结果。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值