networkX——根据一组line构建图

最新推荐文章于 2024-04-19 10:09:37 发布
最新推荐文章于 2024-04-19 10:09:37 发布
阅读量269 收藏 1
点赞数 3
分类专栏： networkx geopandas 文章标签： python 开发语言
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/sheyueyu/article/details/128716967
版权

1.根据一组lines构建graph

  • 教程数据来源，基础数据都在nx.example文件夹中
  • 官方教程
  • 从lines创建graph通常有两种方法
    • 方法1：原始法（primal approach），每个交叉点是一个节点
    • 方法2: 对偶法（dual approach），每条线都是一个节点，相交拓扑被转换为边
import geopandas as gpd
import matplotlib.pyplot as plt
import momepy
import networkx as nx
from contextily import add_basemap
from libpysal import weights
import itertools

1读取rivers数据(一组line)，构造primal graph

1.1读取数据

rivers = gpd.read_file(r"E:\code_practice\gitee\Python地理空间分析指南\nx_study\networkx\examples\geospatial\rivers.geojson")
rivers.head()
Lengthidgeometry
08726.5820LINESTRING (554143.903 9370463.606, 554090.774...
14257.0361LINESTRING (556297.090 9365917.050, 555900.606...
24126.4142LINESTRING (556950.010 9367879.530, 556969.360...
31193.8503LINESTRING (557295.943 9363890.831, 557179.526...
43678.1134LINESTRING (557237.735 9362710.787, 557322.402...
rivers.plot()

<AxesSubplot:>

​
png
​

1.2构造primal graph

  • momepy 将gdf 转为graph
# 构造原始图
G = momepy.gdf_to_nx(rivers)
nx.draw(G,node_size = 10)

​
png
​

  • 看一下G中的节点和边信息
    • 每个节点的编号类型是tuple,值为坐标值
# 节点信息展示方法1：
G.nodes()(data= True)

NodeDataView({(554143.9027843038, 9370463.606285565): {'nodeID': 0}, (558080.5283343233, 9366376.590186208): {'nodeID': 1}, (556297.0900288569, 9365917.049970472): {'nodeID': 2}, (557237.7347526932, 9362710.78680345): {'nodeID': 3}, (556950.0100390166, 9367879.529990936): {'nodeID': 4}, (557295.9432376046, 9363890.830840945): {'nodeID': 5}, (560098.0373490807, 9362989.473788045): {'nodeID': 6}, (557427.1586279813, 9364610.527111784): {'nodeID': 7}, (559631.0745073119, 9364934.686608903): {'nodeID': 8}, (561623.109724192, 9370725.055553077): {'nodeID': 9}, (560319.5985694304, 9363042.402333023): {'nodeID': 10}, (559897.2550022183, 9369874.224961167): {'nodeID': 11}, (559964.2083513336, 9369823.988749623): {'nodeID': 12}, (559935.5000161575, 9368146.289991278): {'nodeID': 13}, (563385.142031962, 9362997.808577871): {'nodeID': 14}, (560815.479997918, 9365530.6899789): {'nodeID': 15}, (561911.1800359832, 9371902.45004887): {'nodeID': 16}, (564386.6599322492, 9362527.618199058): {'nodeID': 17}, (565364.2537775692, 9362503.81157242): {'nodeID': 18}, (566802.417236859, 9360379.115381433): {'nodeID': 19}})

# 提取节点坐标值，转为dict，赋值给positions
# key:节点编号；value：坐标
positions = {n: [n[0], n[1]] for n in list(G.nodes)}
# 切片展示
positions_head = dict(itertools.islice(positions.items(), 5))
positions_head

{(554143.9027843038, 9370463.606285565): [554143.9027843038,
  9370463.606285565],
 (558080.5283343233, 9366376.590186208): [558080.5283343233,
  9366376.590186208],
 (556297.0900288569, 9365917.049970472): [556297.0900288569,
  9365917.049970472],
 (557237.7347526932, 9362710.78680345): [557237.7347526932, 9362710.78680345],
 (556950.0100390166, 9367879.529990936): [556950.0100390166,
  9367879.529990936]}

1.3Plot

f, ax = plt.subplots(1, 2, figsize=(12, 6), sharex=True, sharey=True)
rivers.plot(color="k", ax=ax[0])
for i, facet in enumerate(ax):
    facet.set_title(("Rivers", "Graph")[i])
    facet.axis("off")
nx.draw(G, positions, ax=ax[1], node_size=5)

​
png
​

1.4graph to gdf

  • nodes:节点gdf
  • edges：边gdf
  • W:表示节点之间的关系
nodes, edges, W = momepy.nx_to_gdf(G, spatial_weights=True)
nodes.head()
nodeIDgeometry
00POINT (554143.903 9370463.606)
11POINT (558080.528 9366376.590)
22POINT (556297.090 9365917.050)
33POINT (557237.735 9362710.787)
44POINT (556950.010 9367879.530)
edges.head()
Lengthidgeometrymm_lennode_startnode_end
08726.5820LINESTRING (554143.903 9370463.606, 554090.774...8723.43644201
11884.6986LINESTRING (558080.528 9366376.590, 557602.861...1884.02206917
22233.6218LINESTRING (558080.528 9366376.590, 558315.077...2232.82354718
32306.12821LINESTRING (558080.528 9366376.590, 558150.800...2305.30382618
44257.0361LINESTRING (556297.090 9365917.050, 555900.606...4255.49881823
W.neighbors   #键是节点id ，值是邻接边id

{0: [1],
 1: [0, 7, 8],
 2: [3],
 3: [2, 5, 6],
 4: [5],
 5: [3, 4, 7],
 6: [3, 7, 10],
 7: [1, 5, 6],
 8: [1, 9, 10],
 9: [8, 12, 16],
 10: [6, 8, 14],
 11: [12],
 12: [9, 11, 13],
 13: [12],
 14: [10, 15, 17],
 15: [14],
 16: [9],
 17: [14, 18, 19],
 18: [17],
 19: [17]}

W.weights  #键是节点ID，值是邻接边权重的list

{0: [1.0],
 1: [1.0, 1.0, 1.0],
 2: [1.0],
 3: [1.0, 1.0, 1.0],
 4: [1.0],
 5: [1.0, 1.0, 1.0],
 6: [1.0, 1.0, 1.0],
 7: [1.0, 1.0, 1.0],
 8: [1.0, 1.0, 1.0],
 9: [1.0, 1.0, 1.0],
 10: [1.0, 1.0, 1.0],
 11: [1.0],
 12: [1.0, 1.0, 1.0],
 13: [1.0],
 14: [1.0, 1.0, 1.0],
 15: [1.0],
 16: [1.0],
 17: [1.0, 1.0, 1.0],
 18: [1.0],
 19: [1.0]}

2.读取街道数据，构造priaml graph

2.1读取momepy中的示例数据

streets = gpd.read_file(momepy.datasets.get_path("bubenec"), layer="streets")
streets.head()  #
geometry
0LINESTRING (1603585.640 6464428.774, 1603413.2...
1LINESTRING (1603268.502 6464060.781, 1603296.8...
2LINESTRING (1603607.303 6464181.853, 1603592.8...
3LINESTRING (1603678.970 6464477.215, 1603675.6...
4LINESTRING (1603537.194 6464558.112, 1603557.6...
streets.plot() #街道

<AxesSubplot:>

​
png
​

2.2构造primal graph

G_primal = momepy.gdf_to_nx(streets,approach="primal")

2.3 Plot

f, ax = plt.subplots(1, 2, figsize=(12, 6), sharex=True, sharey=True)
# 初始的街道数据，gdf
streets.plot(color="k", ax=ax[0])   
for i, facet in enumerate(ax):
    facet.set_title(("Streets", "Graph")[i])
    facet.axis("off")
    add_basemap(facet)
# graph可视化
nx.draw(
    G_primal, {n: [n[0], n[1]] for n in list(G_primal.nodes)}, ax=ax[1], node_size=50
)

​
png
​

3.构建对偶图

  • mommy将行属性存储为节点属性，并自动测量line之间的角度。
G_dual = momepy.gdf_to_nx(streets, approach="dual")

<networkx.classes.multigraph.MultiGraph at 0x280eb0a2e00>

3.1对偶图可视化

# 对偶图可视化
f, ax = plt.subplots(1, 2, figsize=(12, 6), sharex=True, sharey=True)
streets.plot(color="k", ax=ax[0])
for i, facet in enumerate(ax):
    facet.set_title(("Streets", "Graph")[i])
    facet.axis("off")
    add_basemap(facet)
nx.draw(G_dual, {n: [n[0], n[1]] for n in list(G_dual.nodes)}, ax=ax[1], node_size=50)
plt.show()

​
png
​

3.2 对偶图to gdf

lines = momepy.nx_to_gdf(G_dual)
lines.head() #对偶图to gdf ，返回原始line的geometry
geometrymm_len
0LINESTRING (1603585.640 6464428.774, 1603413.2...264.103950
1LINESTRING (1603607.303 6464181.853, 1603592.8...199.746503
2LINESTRING (1603287.304 6464587.705, 1603286.8...382.501950
3LINESTRING (1603363.558 6464031.885, 1603376.5...203.014090
4LINESTRING (1603413.206 6464228.730, 1603274.4...198.482724
# 从下图可以看到，对偶图转为gdf时， 返回原始line的geometry
lines.plot()

<AxesSubplot:>

​
png
​

Sheyueyu
关注
  • 3
    点赞
  • 踩
  • 1
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
NetworkX的基本用法
⚡
07-20 2125
NetworkX
GOSTnets：使用地理空间信息进行networkx分析的便捷包装，重点是OSM
02-07
GOSTNets 用于网络分析的Python 建立，处理和分析网络。 GOSTNets建立在geopandas，networkx，osmnx和peartree之上。 安装 最终，我们将在pip和conda上提供该工具，但是现在，请使用此存储库中的setup.py 从PyPi conda create --name test python=3.6 conda activate test conda install -c conda-forge rtree geopandas rasterio geojson pip install GOSTnets 从来源 conda create --name test python=3.6 conda activate test conda install -c conda-forge rtree geopandas rasterio geojso
python实现最短路径、线要素矢量地图自动生成图
Fan-Yan的博客
11-16 636
只有线要素矢量地图，想求任意两点之间的最短路径，arcgis输出的路径只有长度信息，没有详细的线路信息，于是利用python地理处理包实现最短路径。核心步骤就是两步，首先生成图，再基于图实现最短路径。利用momepy和osmnx生成带编号的MultiGraph。生成的最短路径是以图的结点为起终点，要精确到任意输入点的位置，需要重构路网图。
探秘momepy：Python中的城市形态分析利器
最新发布
gitblog_00077的博客
04-19 366
探秘momepy：Python中的城市形态分析利器 项目地址:https://gitcode.com/pysal/momepy momepy是一个强大的Python库，专为城市地理学和空间分析提供高级工具。它建立在PySAL之上，旨在简化和加速城市形态的研究工作。 项目简介 momepy是“模块化城市形态测量”（Modular Metrics for Morphology）的缩写，其核心思想是通过...
Coding and Paper Letter（八十四）
胖胖雕的GIS博客
11-25 1245
最近忙于研究事宜，许久未归。新一期资源整理博客。 1 Coding: 1.Python的Geohash编码压缩工具。 georaptor 2.基于Google Earth Engine平台用于洪涝灾害的水文遥感分析包。 hydra floods 3.Python库moto，一个使您能够轻松模拟基于AWS基础架构的测试的库。 moto 4.R语言包helpr，可以改善友好的HTML文档。 helpr 5.Binder实例与地理信息科学和技术知识体系的章节进行交互。 bok chapter notebook
python networkx 根据图的权重画图实现
12-31
首先输入边和边的权重，随后画出节点位置，根据权重大小划分实边和虚边 #coding:utf-8 #!/usr/bin/env python An example using Graph as a weighted network. __author__ = Aric Hagberg (hagberg@lanl.gov) ...
如何用Networkx画路线图
11-07
"如何用Networkx画路线图"这个主题恰好聚焦于如何利用Python中的两个重要库——NetworkX和Matplotlib来实现这一目标。NetworkX是一个强大的库，用于创建、操作和研究复杂网络的结构、动态和功能；而Matplotlib则是...
NetworkX 绘制精美网络图.rar
09-10
NetworkX 是一个用 Python 语言开发的图论与复杂网络建模工具，内置了常用的图与复杂网络分析算法，可以方便的进行复杂网络数据分析、仿真建模等工作。networkx支持创建简单无向图、有向图和多重图；内置许多标准的...
python:NetworkX和一些交换机构建工作
04-02
在Python编程领域，NetworkX是一个强大的库，专用于创建、操作和研究复杂网络的结构、动态和功能。这个库提供了一系列高级数据结构和算法，使得分析网络数据变得简单易行。本篇文章将深入探讨如何使用NetworkX进行...
【Pytorch神经网络理论篇】 27 图神经网络DGL库：简介+安装+卸载+数据集+PYG库+NetWorkx库
热门推荐
小李的研究生学习日记
03-31 1万+
DGL库是由纽约大学和亚马逊联手推出的图神经网络框架，支持对异构图的处理，开源相关异构图神经网络的代码，在GCMC、RGCN等业内知名的模型实现上也取得了很好的效果。 1 DGL库的实现与性能 实现GNN并不容易，因为它需要在不规则数据上实现较高的GPU吞吐量。 1.1 DGL库简介 DGL库的逻辑层使用了顶点域的处理方式，使代码更容易理解。同时，又在底层的内存和运行效率方面做了大量的工作，使得框架可以发挥出更好的性能。 1.2 DGL库特点 GCMC：DGL的内存优化支...
（学习笔记二）利用python的networkx3.0 进行GIS的网络分析
qq_47730141的博客
07-04 4227
从shp文件构建网络数据，再进行出图和分析，利用python的相关库，networkx，np等
networkx构建delaunay图，并根据节点坐标绘制图
sheyueyu的博客
01-17 318
networkx构建delaunay图，并根据节点坐标绘制图。
在Python中使用OSMnx对街道网络进行图形分析
寒冰屋的专栏
09-07 2243
​ 无论您是想找到从A地到B地的最佳路线，还是试图分析社区进入超市的情况以识别食物沙漠，以网络的形式构建问题，以街道为边缘，通常都是最简单和最容易解决的方法。 但是，在开始构建街道网络之前，您需要数据。谷歌地图可能是大多数人想到地理信息时的首选，但遗憾的是它的API不是免费的。值得庆幸的是，有一个免费的开源替代方案，其中包含许多相同的数据：OpenStreetMaps(OSM)项目。 ​
【Python】在Python中使用NetworkX解决德国的旅行推销员问题
fengdu78的博客
01-18 891
使用Christofides算法，在访问每个城市一次的同时，可以发现穿越德国16个联邦州首府的最短路线。我已经在德国居住六年了。德国由16个联邦州组成，到目前为止，我已经访问了五个州的首府。最近，一个想法打动了我：我想穿越所有16个联邦州的首府，从柏林出发，到柏林结束，每座城市只访问一次。这样做的最短可能路线是什么？这类问题称为旅行推销员问题（TSP）。顾名思义，旅行推销员会挨家挨户，或在特定地区...
momepy安装报错，解决过程记录
yaqin_li的博客
09-27 823
在Anaconda Prompt中输入conda install -c conda-forge momepy进行安装。处理过程非常慢，一直卡在solving environment上面。经历了漫长的等待之后，终于处理完成，提示需要安装一大堆包，更新一大堆包。输入y之后开始安装与更新。最后，再次import momepy便不再报错，可以导入了。
python moment 库使用
dudu3332的博客
11-09 1239
用于处理日期/时间的 Python 库，设计灵感同样是来源于moment.js和requests，设计理念源自TimesPython 模块。 Usage import moment from datetime import datetime # Create a moment from a string moment.date("12-18-2012") # Create a moment with a specified strftime format moment.date("12...
基于PySAL的空间统计分析--冷热点分析
{{PyCheng}}的博客
04-11 7287
1 引言 受研究需要，需要对几十份空间数据批量进行冷热点分析，Geoda与ArcGIS等软件不能满足需求，看到Python有PySAL这个空间统计分析的第三方库，看了一下API文档觉得功能挺全面的，像Local Moran’s I、Local G Statistics等常用的空间自相关分析的功能都有，决定尝试一下。 Pysal是一个面向地理空间数据科学的开源跨平台库（详情可见官方网站），重点...
对偶图及其应用
Virgil's Blog
05-11 9173
对偶图及其应用模型每个平面图 GG 都有一个与之对偶的平面图 G∗ G∗ 有如下性质： G∗中的每个点对应 GG 中的一个面 对于 GG 中的，每条边 ee ee 属于两个面 f1,f2f_1,f_2 ，加入边 (f∗1,f∗2)(f_1^*,f_2^*) ee 只属于一个面 ff ，加入回边 (f∗,f∗)(f^*,f^*) （图中加入了个绿色边围成的面，需要删除 s∗s
调用networkx构建的图的边的属性
05-13
在使用networkx构建图时，可以为每条边设置属性。创建图对象时，可以通过`add_edge()`方法为每条边添加属性。 例如，以下代码创建了一个有向图，并为每条边设置了权重属性： ```python import networkx as nx G = nx.DiGraph() G.add_edge('A', 'B', weight=0.5) G.add_edge('B', 'C', weight=2.0) G.add_edge('A', 'C', weight=1.0) print(G.edges(data=True)) ``` 输出结果为： ``` [('A', 'B', {'weight': 0.5}), ('A', 'C', {'weight': 1.0}), ('B', 'C', {'weight': 2.0})] ``` 可以看到，`edges()`方法返回一个列表，其中每个元素都是一个三元组，分别表示两个节点和它们之间的边，边的属性存储在一个字典中。在这个例子中，每条边的属性只有一个权重属性。如果需要设置更多属性，可以在`add_edge()`方法中添加更多的参数。例如： ```python G.add_edge('A', 'B', weight=0.5, label='AB') ``` 这样就为边设置了一个名称为'AB'的标签属性。调用`edges()`方法时，可以使用`data=True`参数来返回边的所有属性。

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值