深度剖析Pyechars Graph关系图谱

前言

网上看了好多Graph，基本都是引用官网公示文档。路漫漫其修远兮，吾将上下而求索，花了近一周时间，总结一下自己对Pyechars Graph的理解，深度还原Pyechars Graph参数 nodes,links,category,希望能够帮助大家，在学习的路上少走一些弯路。
注：原创文章，仅供大家学习交流，转载请注明出处。

一 Graph微博转发关系图剖析

官网使用数据资料weibo.json 可以在GitHub上下载，也可以从本文的链接中获取全部所用资料；
（1）先展示一下源码和效果图；

import json
from pyecharts import options as opts
from pyecharts.charts import Graph

with open(r"C:\Users\GDY\Desktop\Study\CNDS\深度剖析Graph关系图谱\weibo.json", "r", encoding="utf-8") as f:
    j = json.load(f)
nodes, links, categories, cont, mid, userl = j

g = (
    Graph()
    .add(
        "",
        nodes,
        links,
        categories,
        repulsion=50,
        linestyle_opts=opts.LineStyleOpts(curve=0.2),
        label_opts=opts.LabelOpts(is_show=False),
    )
    .set_global_opts(
        legend_opts=opts.LegendOpts(is_show=False),
        title_opts=opts.TitleOpts(title="微博转发关系图"),
    )
#     .render("微博转发关系图.html")
)
g.render_notebook()

（2）剖析数据源weibo.json
第一步先明确json文件的数据结构，是list of list 在嵌套dict的形式，如下：
[
[{},{},{}…] 对应weibo.json 中的nodes
[{},{},{}…] 对应weibo.json 中的links
[{},{},{}…] 对应weibo.json 中的categories
[{},{},{}…] 对应weibo.json 中的cont
[{},{},{}…] 对应weibo.json 中的mid
[{},{},{}…] 对应weibo.json 中的userl
]
源代码：

with open(r"C:\Users\GDY\Desktop\Study\CNDS\深度剖析Graph关系图谱\weibo.json", "r", encoding="utf-8") as f:
    j = json.load(f)
nodes, links, categories, cont, mid, userl = j

第二步将 nodes, links, categories, cont, mid, userl 转换为DataFrame,分析各字段的数据关系：
-A: nodes转换为DataFrame，观察数据结构:

import pandas as pd
df_nodes=pd.DataFrame(nodes)
df_nodes.head()

nodes有6个字段 name,symbolSize,draggable,value,category,label;
nodes表示的是Graph中的节点，name和category分别表示两个节点，symbolSize表示节点的大小，value表示节点的值，label是是否显示标签，如上图所示。
-B links转换为DataFrame，观察数据结构:

df_links=pd.DataFrame(links)
df_links.head()

links有2个字段 source,target;
links表示的是Graph中两节点之前的联系，source表示源，即被转发微博的用户，target表示目的，即转发微博的用户。

-C: categories转换为DataFrame，观察数据结构:

df_categories=pd.DataFrame(categories)
df_categories.head()

categories有1个字段 name;
经过多次研究测试发现，name表示非最后一个客户的name；
举例：李四转发了张三的，麻五转发了李四的，categories中的name就是：张三和李四；
nodes:name与categories：name的区别：
nodes:name 表示的是全量name,且不能重复，重复做出来的图是空白的；
categories：name表示非最后一个客户的name;
划重点，即：categories：name=nodes:name-last:name

-D:cont, mid, userl 数据：

cont, mid, user数据Graph没有用到，是其他无关的数据，我们这里不做深究；

二 通过excel的方式构造nodes,links,categories

假设A传给了B，B传给了C,D；
A是一级关系：
B是二级关系；
C,D是三级关系；
(1)构造nodes
nodes的字段为：name,symbolSize,draggable,value,category;
lable是字典的形式，我们在后面插入；

nodes=pd.DataFrame(data={'name':['A','B','C','D'],'symbolSize':[30,20,10,10]
                         ,'draggable':'False','value':[100,50,10,10],'category':['A','B','B','B']})
nodes

(2)构造links
links的字段为：source,target

links=pd.DataFrame(data={'source':['A','B','B'],'target':['B','C','D'],})
links

(3)构造categories

categories=pd.DataFrame(data={'name':['A','B']})
categories

(4)将nodes,links,categories转化为列表嵌套字典，显示A,B的label;
-A转换nodes

nodes_list1=[]
nodes_list2=[]
nodes_table1=nodes.loc[:1]
nodes_table2=nodes.loc[2:]
for index,row in nodes_table1.iterrows():
    row=row.to_dict() #转化为dict
    row['label']={'normal':{'show':'True'}} #添加A和B的label
    nodes_list1.append(row)
for index,row in nodes_table2.iterrows():
    row=row.to_dict()
    nodes_list2.append(row)
nodes=nodes_list1+nodes_list2
nodes

-B转换links

links_list=[]
for index,row in links.iterrows():
    row=row.to_dict() #转化为dict
    links_list.append(row)
links=links_list
links

-C转换categories

categories_list=[]
for index,row in categories.iterrows():
    row=row.to_dict() #转化为dict
    categories_list.append(row)
categories=categories_list
categories

在这里数据构造就大工告成了，展示一下示例图：

g = (
    Graph()
    .add(
        "",
        nodes,
        links,
        categories,
        repulsion=50,
        linestyle_opts=opts.LineStyleOpts(curve=0.2),
        label_opts=opts.LabelOpts(is_show=False),
    )
    .set_global_opts(
        legend_opts=opts.LegendOpts(is_show=False),
        title_opts=opts.TitleOpts(title="微博转发关系图"),
    )
#     .render("微博转发关系图.html")
)
g.render_notebook()

三 Pyechars Graph图谱绘制总结

理解清楚了nodes,links,categories,我将它做成了excel,只要将要生成的数据放在对应的excel中就能生成Graph图谱啦，源代码和示例如下：

import pandas as pd
from pyecharts import options as opts
from pyecharts.charts import Graph

nodes_data=pd.read_excel(r'C:\Users\GDY\Desktop\Study\CNDS\深度剖析Graph关系图谱\nodes.xlsx')
links_data=pd.read_excel(r'C:\Users\GDY\Desktop\Study\CNDS\深度剖析Graph关系图谱\links.xlsx')
categories_data=pd.read_excel(r'C:\Users\GDY\Desktop\Study\CNDS\深度剖析Graph关系图谱\categories.xlsx')
#构造nodes
nodes_list1=[]
nodes_list2=[]
nodes_table1=nodes_data.loc[:1]
nodes_table2=nodes_data.loc[2:]
for index,row in nodes_table1.iterrows():
    row=row.to_dict() #转化为dict
    row['label']={'normal':{'show':'True'}} #添加A和B的label
    nodes_list1.append(row)
for index,row in nodes_table2.iterrows():
    row=row.to_dict()
    nodes_list2.append(row)
nodes=nodes_list1+nodes_list2
#构造links
links=[]
for index,row in links_data.iterrows():
    row=row.to_dict() #转化为dict
    links.append(row)
#构造categories
categories=[]
for index,row in categories_data.iterrows():
    row=row.to_dict() #转化为dict
    categories.append(row)
g = (
    Graph()
    .add(
        "",
        nodes,
        links,
        categories,
        repulsion=50,
        linestyle_opts=opts.LineStyleOpts(curve=0.2),
        label_opts=opts.LabelOpts(is_show=False),
    )
    .set_global_opts(
        legend_opts=opts.LegendOpts(is_show=False),
        title_opts=opts.TitleOpts(title="深度剖析Gatph关系图谱"),
    )
#     .render("微博转发关系图.html")
)
g.render_notebook()

耗时一周，记录总结一下Graph的学习笔记，源代码，weibo.json和文中使用的相关文件均已放置在百度网盘，大家自取，也欢迎大家的交流和总结。

文件地址：https://pan.baidu.com/s/1qXub5eu-YfM4FcN4dW5oWA 提取码：Grap