「Python数据分析」社会网络：networkx批量计算网络指标案例

从原始数据一步步得到合作网络之后，需要计算一些网络指标才能的到一些有意义的分析结论。
networkx是python中常用的社会网络分析包，里面支持各种图以及非常多指标计算函数。
官网：https://networkx.org
中文网站：https://www.osgeo.cn/networkx/index.html

案例

接下来是由合作网络中的边作为原始数据，计算各种网络指标的一个简单示例。
包括：生成网络图、计算指标、提取计算结果、存储五个基本步骤。有更多、更复杂的需求也都可以在这个框架基础上进行二次开发。

#* 随便编的原始数据
edges = [['a','b',2],
        ['a','c',1],
        ['a','d',2],
        ['b','d',3],
        ['c','d',2]]

#* 生成网络图
G = nx.Graph()  # 创建一个图
G.add_weighted_edges_from(edges)  # 添加合作关系

#* 计算指标
centrality = [nx.degree_centrality(G), # 这些函数的返回值是字典
                nx.closeness_centrality(G),
                nx.betweenness_centrality(G),
                nx.clustering(G),
                nx.eigenvector_centrality(G)] 
average_shortest_path = nx.average_shortest_path_length(G, weight='weight') # 这个函数的返回值是浮点值


#* 提取计算结果
results = []
nodes = G.nodes()  # 提取网络中节点列表 ['a', 'b', 'c', 'd']
for node in nodes:  # 遍历所有节点，提取每个节点度中心性计算结果，并存储为[[节点1,结果],[节点2,结果],...]的形式
    results.append([node, 
    				centrality[0][node], 
    				centrality[1][node], 
    				centrality[2][node], 
    				centrality[3][node], 
    				centrality[4][node]])

#* 存储
with open("./test.csv","w",encoding="UTF-8",newline="") as csvfile: 		writer = csv.writer(csvfile)  	
        writer.writerow(['node','degree','closeness','betweenness','clustering','eigenvector'])
        writer.writerows(results)
        writer.writerow(['average_shortest_path={}'.format(average_shortest_path)])

运行结果

P.S. 再记录一下数shortest_path系列的另两个函数

shortest_path()返回最短路径
shortest_path_length()返回最短路径长度

# 返回值是一个字典
shortest_path = dict(nx.shortest_path(G, weight='weight')) 
# 返回值是一个迭代器iterator
shortest_path_length = dict(nx.shortest_path_length(G, weight='weight')) 
print(shortest_path,'\n',shortest_path_length)

结果

shortest_path: 
{'a': {'a': ['a'], 'b': ['a', 'b'], 'c': ['a', 'c'], 'd': ['a', 'd']}, 'b': {'b': ['b'], 'a': ['b', 'a'], 'd': ['b', 'd'], 'c': ['b', 'a', 'c']}, 'c': {'c': ['c'], 'a': ['c', 'a'], 'd': ['c', 'd'], 'b': ['c', 'a', 'b']}, 'd': {'d': ['d'], 'a': ['d', 'a'], 'b': ['d', 'b'], 'c': ['d', 'c']}} 
shortest_path_length: 
{'a': {'a': 0, 'c': 1, 'b': 2, 'd': 2}, 'b': {'b': 0, 'a': 2, 'd': 3, 'c': 3}, 'c': {'c': 0, 'a': 1, 'd': 2, 'b': 3}, 'd': {'d': 0, 'a': 2, 'c': 2, 'b': 3}}