Datawhale 组队学习图机器学习 Task03

m0_56111279

已于 2023-02-20 16:25:37 修改

阅读量169

点赞数

文章标签：学习机器学习 python Powered by 金山文档

于 2023-02-18 23:49:01 首次发布

本文链接：https://blog.csdn.net/m0_56111279/article/details/129106367

版权

本文介绍了使用Networkx库进行图机器学习的基本操作，包括创建各种经典图结构如全连接图、环状图、星状图等，以及通过API快速创建和使用连接表、邻接表创建图。此外，还讲解了图的可视化，如有向图、自定义节点坐标和自我中心图（Ego图）的绘制方法。

摘要由CSDN通过智能技术生成

基本工具包使用

import networkx as nx
import numpy as np
import random
import pandas as pd

# 数据可视化
import matplotlib.pyplot as plt
import matplotlib as mpl
%matplotlib inline
plt.rcParams['font.sans-serif']=['SimHei']  # 用来正常显示中文标签  
plt.rcParams['axes.unicode_minus']=False  # 用来正常显示负号

Networkx 基本使用

创建图

使用 API 快速创建

经典图结构：

全连接图：complete_graph (7)【无向图】；complete_graph (7, nx. DiGraph ())【有向图】

环状图：cycle_graph (5)

梯状图：ladder_graph (5)

线性串珠图：path_graph (15)

星状图：star_graph (7)

轮辐图：wheel_graph (8)

二项树：binomial_tree (5）

栅格图：

二维矩形网格图：grid_2d_graph (3, 5)

多维矩形网格图：grid_graph (dim=(2, 3, 4))

二维三角形网格图：triangular_lattice_graph (2, 5)

二维六边形蜂窝图：hexagonal_lattice_graph (2, 3)

N 维超立方体图：hypercube_graph (4)

NetwrokX 内置图：

Diamond_graph ()

Bull_graph ()

Frucht_graph ()

House_graph ()

House_x_graph ()

Petersen_graph ()

Krackhardt_kite_graph ()

随机图：erdos_renyi_graph (10, 0.5)

解释：第一个参数表示节点个数，第二个参数表示边产生的概率

无标度网络 Scale-free Network ：scale_free_graph (100)

解释：自然界中的一些事物服从正态分布，而对于另一些事物，个体与个体之间的差异明显。比如个人收入，大多数人月收入不到一万，而少数人月收入高达百万。幂律分布描述类似这样多数个体量级很小，少数个体量级很大的情况。对于许多现实世界中的复杂网络，如互联网、社会网络等，各节点拥有的连接数（度 Degree）服从幂律分布。也就是说，大多数“普通”节点拥有很少的连接，而少数“热门”节点拥有极其多的连接。这样的网络称作无标度网络（Scale-free Network），网络中的“热门”节点称作枢纽节点（Hub）。