【python】networkx包对图相关操作

最新推荐文章于 2024-05-17 14:53:34 发布

水w

最新推荐文章于 2024-05-17 14:53:34 发布

阅读量901

点赞数 26

分类专栏： # python 文章标签：开发语言 python networkx 图 graph

本文链接：https://blog.csdn.net/qq_45956730/article/details/138326468

版权

python 专栏收录该内容

20 篇文章 3 订阅

订阅专栏

NetworkX 是一个用于创建、操作和研究复杂网络的结构、动态和功能的 Python 包。它提供了丰富的数据结构和函数，便于处理图和网络。下面是 NetworkX 包的一些主要功能：

图的创建与操作：

支持多种类型的图（无向图、有向图、多重图、加权图等）。
可以方便地添加、删除节点和边。
支持许多图论算法，如最短路径、网络流、圈检测等。

图的测量与分析：

提供多种图的中心性测量方法，如度中心性、接近中心性、介数中心性等。
支持社区检测、小世界网络检测等高级网络分析功能。
能够计算图的直径、密度、连通性等属性。

图的可视化：

虽然 NetworkX 本身的可视化功能有限，它可以与其他库（如 Matplotlib）配合，来创建图形的视觉表示。
支持定制节点和边的样式、布局等。

图与数据结构的兼容性：

可以从多种数据格式导入和导出图，如边列表、邻接矩阵、GEXF、GraphML、Pickle等。
方便与 Pandas 和 NumPy 等数据处理库配合使用，进行数据分析和处理。

算法支持：

包括经典的图论算法，例如 Dijkstra、Floyd-Warshall、Prim、Kruskal 等。
支持更复杂的结构如生成树、网络流、路径算法等。

这些功能使得 NetworkX 成为在学术研究和实际应用中分析和可视化网络数据的有力工具。

一、networkx模块安装和调用

pip install networkx  
import networkx as nx

二、使用

生成图

生成图主要有 nx.DiGraph 有向图和 nx.Graph 无向图两种，除了图的不同外，边可以区分为有权重和无权重，下面介绍生成带权重有向图的方法，无向图和无权重可以参考类似生成方法。

import networkx as nx
import random

def createGraph():
    f = open(edge_file, "w")
    for i in range(node_num):
        node_from = random.randint(0, 1000)
        node_to = random.randint(0, 1000)
        weight = random.random()
        if node_from != node_to:
            f.write("%s %s %s\n" % (node_from, node_to, weight))
    f.close()

# 1.构造图
edge_file = "graph_edge.txt"
node_num = 1000
createGraph()

这里随机生成一些测试数据，node_from 和 node_to 分别代表起始点，createGraph 方法会生成约 node_num 条带权重边，示例如下，起始点已经通过数字标识，权重通过 float 的形式给出：

读取图

上述方法生成了图的模拟节点，下面通过 nx.read_edgelist 方法读取图的边与权重，node_from 和 node_to 为节点，create_using 选择 nx.DiGraph 则为有向图，选择 nx.Graph 则为无向图，nodetype 可以选择None，也可以选择对应类型，例如 int 等等，data 为我们对边的附属描述，这里第三列我们规定其为 float 类型的 weight。

def loadGraph(fileName):
    G = nx.read_edgelist(fileName, create_using=nx.DiGraph(), nodetype=None, data=[('weight', float)])
    return G

G = loadGraph(edge_file)

获取图的点与边

G.nodes() 获取图中全部点，number_of_nodes() 获取图中顶点的数量，可以通过 for 循环遍历 nodes，也可以通过 list(G.nodes()) 包装执行其他的迭代操作。

G.edges() 获取图中全部边，如果需要显示边的附加信息，例如上例中我们添加了 weight 选项，data=Teue 则可以保证信息全部打印，G.number_of_edges() 获取全部边的数量。

print("节点和边的个数：", G.number_of_nodes(), G.number_of_edges())
# # 获取路网的每条节点/边属性信息
print("节点和边：", list(G.nodes(data=True))[0], list(G.edges(data=True))[0])

获取点的邻居与权重

获取相关顶点的邻居，可以通过 nx 的 neighbors 方法获取对应顶点的邻居以及与对应邻居的权重(如果有)。

# 4.获取节点邻居
for node in G.nodes:
    nbrs = list(G.neighbors(node))
    weights = []
    for nbr in nbrs:
        weights.append(G[node][nbr]["weight"])
    print("节点", node, "的邻居：", nbrs, "对应权重", weights)
    break

判断是否存在节点/边

Graph.has_edge(u, v)，其中参数： u, v (节点) ，返回值：如果有边则返回True，否则返回False。

# 判断是否存在
print(G.has_node('221'))
print(G.has_edge('221', '5221'))

修改图

通过上面的操作，已经可以从基础的数据中生成图并获取图的顶点与边，接下来需要对图进行微调，则需要增删改查的方法，下面介绍常用的方法：

添加/删除节点

可以一次添加一个节点，或从任何 iterable 容器，如列表

# 添加/删除 节点
G.add_node('10')
G.add_nodes_from(['1', '2', '3'])  # 批量添加
G.remove_node('10')
G.remove_nodes_from(['1', '2', '3'])  # 批量删除

添加/删除边

G 也可以通过一次添加一个边来生长，或者通过添加边列表，

# 添加/删除 边
G.add_edge('1', '2')
G.add_edges_from([('1', '2'), ('3', '4')])  # 批量添加
G.remove_edge('1', '2')
G.remove_edges_from([('1', '2'), ('3', '4')])  # 批量删除

为边添加权重

# 为边添加权重
G.add_edge('1', '2')
G.edges['1', '2']['weight'] = 0.33

对graph的node节点重新编号

import networkx as nx

# 创建一个示例图
G = nx.DiGraph()
G.add_edges_from([(1, 2), (2, 3), (3, 4), (4, 5)])

# 创建一个新的节点编号映射字典
new_node_labels = {1: 'A', 2: 'B', 3: 'C', 4: 'D', 5: 'E'}

# 使用relabel_nodes重新编号节点
H = nx.relabel_nodes(G, new_node_labels)

# 输出重新编号后的图
print("Original Graph:")
print(G.nodes)
print(G.out_degree())
print("Graph after relabeling nodes:")
print(H.nodes)
print(H.out_degree())