十四、PageRank工具NetworkX的使用

• igraph：处理复杂网络问题，提供Python, R, C语言接口

  • 性能强大，效率比NetworkX高

• NetworkX：基于python的复杂网络库

  • 对于Python使用者友好

NetworkX的简单使用

# 使用networkX计算节点的pagerank
import networkx as nx
import matplotlib.pyplot as plt

# 创建有向图
G = nx.DiGraph()   
# 设置有向图的边集合
edges = [("A", "B"), ("A", "C"), ("A", "D"), ("B", "A"), ("B", "D"), ("C", "A"), ("D", "B"), ("D", "C")]
# 在有向图G中添加边集合
for edge in edges:
    G.add_edge(edge[0], edge[1])

# 有向图可视化
# layout = nx.spring_layout(G)
# layout = nx.circular_layout(G)
layout = nx.shell_layout(G)
# nx.draw(G, pos=layout, with_labels=True, hold=False)
nx.draw(G, pos=layout, with_labels=True)
plt.show()

# 计算简化模型的PR值
pr = nx.pagerank(G, alpha=1)
print("简化模型的PR值：", pr)

# 计算随机模型的PR值
pr = nx.pagerank(G, alpha=0.85)
print("随机模型的PR值：", pr)

NetworkX的使用教程

import networkx as nx

1、图的创建

无向图，使用nx.Graph()来创建
有向图，使用nx.DiGraph()来创建

2、节点的增加、删除和查询

添加节点：使用G.add_node(‘A’)，也可以使用：

G.add_nodes_from(['B','C','D','E'])

删除节点：使用

G.remove_node(node)，
# 也可以使用
G.remove_nodes_from(['B','C','D','E'])

3、节点查询：

获取图中所有节点：

G.nodes()

获取图中节点的个数：

G.number_of_nodes()

4、边的增加

G.add_edge(“A”, “B”)添加指定的从A到B的边
G.add_edges_from 从边集合中添加
G.add_weighted_edges_from 从带有权重的边的集合中添加

参数为1个或多个三元组[u,v,w]作为参数，u、v、w分别代表起点、终点和权重

5、边的删除

G.remove_edge，G.remove_edges_from

6、变的查询

G.edges()获取图中所有边，
G.number_of_edges()获取图中边的个数。

7、可视化布局

spring_layout：中心放射状
circular_layout：在一个圆环上均匀分布节点
random_layout：随机分布节点
shell_layout：节点都在同心圆上