NetworkX系列教程(2)-graph生成器

最新推荐文章于 2023-08-31 11:30:11 发布
最新推荐文章于 2023-08-31 11:30:11 发布
阅读量1.7k 收藏 4
点赞数 1
原文链接：http://www.cnblogs.com/wushaogui/p/9202283.html
版权
小书匠 Graph 图论

本节主要讲解如何快速使用内置的方法生成graph,官方的文档在这里,里面包含了networkX的所有graph生成器,下面的内容只是我节选的内容,并将graph画出来而已.

声明,文中重复使用了以下代码块 ,现在统一注释在这里:

  1. plt.subplot(221) #生成2*2的组图,并且当前子图在2*2矩阵的第一个位置.第二个位置是222 
  2. plt.title('complete_graph') #子图的标题 
  3. nx.draw(G, with_labels=True, font_weight='bold') #将graph画出来 
  4. plt.axis('on') #需要坐标轴,以便框住graph 
  5. plt.xticks([]) #横坐标不需要刻度 
  6. plt.yticks([]) #纵坐标不需要刻度 

目录:

注意:如果代码出现找不库,请返回第一个教程,把库文件导入.

2.生成graph

2.1小图图集的生成器

  1. #graph_atlas的图已经被定义,只需要按标号取出来就可以,下面将前10个取出来 
  2. plt.subplots(2,5,figsize=(15,6)) 
  3. for ind in range(10): 
  4. G.clear() 
  5.  
  6. G=nx.graph_atlas(ind) 
  7. plt.subplot(2,5,ind+1) 
  8. nx.draw(G,with_labels=True) 
  9.  
  10. #下面是设置图片 
  11. plt.axis('on') 
  12. plt.title('graph_atlas_%s'%ind) 
  13. plt.xticks([]) 
  14. plt.yticks([]) 
  15. plt.show() 
  16. plt.close() 

png
小图图集的生成器

2.2调用函数生成经典的graph

  1. plt.subplots(2,2,figsize=(15,6)) 
  2.  
  3. K_5 = nx.complete_graph(5) 
  4. plt.subplot(221) 
  5. plt.title('complete_graph') 
  6. nx.draw(K_5, with_labels=True, font_weight='bold') 
  7. plt.axis('on') 
  8. plt.xticks([]) 
  9. plt.yticks([]) 
  10.  
  11. K_3_5 = nx.complete_bipartite_graph(3, 5) 
  12. plt.subplot(222) 
  13. plt.title('complete_bipartite_graph') 
  14. nx.draw(K_3_5, with_labels=True, font_weight='bold') 
  15. plt.axis('on') 
  16. plt.xticks([]) 
  17. plt.yticks([]) 
  18.  
  19. barbell = nx.barbell_graph(10, 10) 
  20. plt.subplot(223) 
  21. plt.title('barbell_graph') 
  22. nx.draw(barbell, with_labels=True, font_weight='bold') 
  23. plt.axis('on') 
  24. plt.xticks([]) 
  25. plt.yticks([]) 
  26.  
  27. lollipop = nx.lollipop_graph(10, 20) 
  28. plt.subplot(224) 
  29. plt.title('lollipop_graph') 
  30. nx.draw(lollipop, with_labels=True, font_weight='bold') 
  31. plt.axis('on') 
  32. plt.xticks([]) 
  33. plt.yticks([]) 
  34.  
  35. plt.show() 

png
经典的graph

2.3格子graph

  1. G.clear() 
  2.  
  3. plt.subplots(2,3,figsize=(15,6)) 
  4. #二维网格图 
  5. G=nx.grid_2d_graph(2,3) 
  6. plt.subplot(2,3,1) 
  7. nx.draw(G,with_labels=True) 
  8. plt.title('grid_2d_graph') 
  9. plt.axis('on') 
  10. plt.xticks([]) 
  11. plt.yticks([]) 
  12.  
  13. #n维网格图 
  14. grid_graph = nx.grid_graph(dim=[1, 3, 4]) 
  15. plt.subplot(2,3,2) 
  16. nx.draw(grid_graph,with_labels=True) 
  17. plt.title('grid_graph') 
  18. plt.axis('on') 
  19. plt.xticks([]) 
  20. plt.yticks([]) 
  21.  
  22. #m×n的六角形格子图。 
  23. G=nx.hexagonal_lattice_graph(2,3) 
  24. plt.subplot(2,3,3) 
  25. nx.draw(G,with_labels=True) 
  26. plt.title('hexagonal_lattice_graph') 
  27. plt.axis('on') 
  28. plt.xticks([]) 
  29. plt.yticks([]) 
  30.  
  31. #n维超立方体图形。 
  32. G=nx.hypercube_graph(3) 
  33. plt.subplot(2,3,4) 
  34. nx.draw(G,with_labels=True) 
  35. plt.title('hypercube_graph') 
  36. plt.axis('on') 
  37. plt.xticks([]) 
  38. plt.yticks([]) 
  39.  
  40. #三角格子图 
  41. G=nx.triangular_lattice_graph(1,3) 
  42. plt.subplot(2,3,5) 
  43. nx.draw(G,with_labels=True) 
  44. plt.title('hypercube_graph') 
  45. plt.axis('on') 
  46. plt.xticks([]) 
  47. plt.yticks([]) 
  48.  
  49. plt.show() 

png
格子graph

2.4各种已经被命名的小graph

  1. plt.subplots(2,2,figsize=(15,6)) 
  2.  
  3. petersen = nx.petersen_graph() 
  4. plt.subplot(221) 
  5. plt.title('petersen_graph') 
  6. nx.draw(petersen, with_labels=True, font_weight='bold') 
  7. plt.axis('on') 
  8. plt.xticks([]) 
  9. plt.yticks([]) 
  10.  
  11. tutte = nx.tutte_graph() 
  12. plt.subplot(222) 
  13. plt.title('tutte_graph') 
  14. nx.draw(tutte, with_labels=True, font_weight='bold') 
  15. plt.axis('on') 
  16. plt.xticks([]) 
  17. plt.yticks([]) 
  18.  
  19. maze = nx.sedgewick_maze_graph() 
  20. plt.subplot(223) 
  21. plt.title('sedgewick_maze_graph') 
  22. nx.draw(maze, with_labels=True, font_weight='bold') 
  23. plt.axis('on') 
  24. plt.xticks([]) 
  25. plt.yticks([]) 
  26.  
  27. tet = nx.tetrahedral_graph() 
  28. plt.subplot(224) 
  29. plt.title('tetrahedral_graph') 
  30. nx.draw(tet, with_labels=True, font_weight='bold') 
  31. plt.axis('on') 
  32. plt.xticks([]) 
  33. plt.yticks([]) 
  34.  
  35. plt.show() 

png
已经被命名的小graph

2.5使用随机graph生成器

  1. plt.subplots(2,2,figsize=(15,6)) 
  2.  
  3. er = nx.erdos_renyi_graph(10, 0.15) 
  4. plt.subplot(221) 
  5. plt.title('erdos_renyi_graph') 
  6. nx.draw(er, with_labels=True, font_weight='bold') 
  7. plt.axis('on') 
  8. plt.xticks([]) 
  9. plt.yticks([]) 
  10.  
  11. ws = nx.watts_strogatz_graph(30, 3, 0.1) 
  12. plt.subplot(222) 
  13. plt.title('watts_strogatz_graph') 
  14. nx.draw(ws, with_labels=True, font_weight='bold') 
  15. plt.axis('on') 
  16. plt.xticks([]) 
  17. plt.yticks([]) 
  18.  
  19. ba = nx.barabasi_albert_graph(10, 5) 
  20. plt.subplot(223) 
  21. plt.title('barabasi_albert_graph') 
  22. nx.draw(ba, with_labels=True, font_weight='bold') 
  23. plt.axis('on') 
  24. plt.xticks([]) 
  25. plt.yticks([]) 
  26.  
  27. red = nx.random_lobster(10, 0.9, 0.9) 
  28. plt.subplot(224) 
  29. plt.title('random_lobster') 
  30. nx.draw(red, with_labels=True, font_weight='bold') 
  31. plt.axis('on') 
  32. plt.xticks([]) 
  33. plt.yticks([]) 
  34.  
  35. plt.show() 

png
随机graph生成器

2.6社交网络

  1. plt.subplots(2,2,figsize=(15,6)) 
  2.  
  3. #返回Zachary的空手道俱乐部图。 
  4. G.clear() 
  5. G = nx.karate_club_graph() 
  6. plt.subplot(1,2,1) 
  7. nx.draw(G,with_labels=True) 
  8. plt.title('karate_club_graph') 
  9. plt.axis('on') 
  10. plt.xticks([]) 
  11. plt.yticks([]) 
  12.  
  13. #戴维斯南方女性社交网络。 
  14. G.clear() 
  15. G = nx.davis_southern_women_graph() 
  16. plt.subplot(1,2,2) 
  17. nx.draw(G,with_labels=True) 
  18. plt.title('davis_southern_women_graph') 
  19. plt.axis('on') 
  20. plt.xticks([]) 
  21. plt.yticks([]) 
  22.  
  23. plt.show() 

png
社交网络

2.7社区

  1. plt.subplots(2,2,figsize=(15,6)) 
  2.  
  3. er = nx.caveman_graph(3,3) 
  4. plt.subplot(221) 
  5. plt.title('caveman_graph') 
  6. nx.draw(er, with_labels=True, font_weight='bold') 
  7. plt.axis('on') 
  8. plt.xticks([]) 
  9. plt.yticks([]) 
  10.  
  11. ws = nx.random_partition_graph([10,10,10],.25,.01) 
  12. plt.subplot(222) 
  13. plt.title('random_partition_graph') 
  14. nx.draw(ws, with_labels=True, font_weight='bold') 
  15. plt.axis('on') 
  16. plt.xticks([]) 
  17. plt.yticks([]) 
  18.  
  19. ba = nx.ring_of_cliques(8, 4) 
  20. plt.subplot(223) 
  21. plt.title('ring_of_cliques') 
  22. nx.draw(ba, with_labels=True, font_weight='bold') 
  23. plt.axis('on') 
  24. plt.xticks([]) 
  25. plt.yticks([]) 
  26.  
  27. red = nx.windmill_graph(4,5) 
  28. plt.subplot(224) 
  29. plt.title('windmill_graph') 
  30. nx.draw(red, with_labels=True, font_weight='bold') 
  31. plt.axis('on') 
  32. plt.xticks([]) 
  33. plt.yticks([]) 
  34.  
  35. plt.show() 

png
社区

2.8树

  1. #返回随机树 
  2. G.clear() 
  3. G = nx.random_tree(10) 
  4. nx.draw(G,with_labels=True) 
  5. plt.title('random_tree') 
  6. plt.axis('on') 
  7. plt.xticks([]) 
  8. plt.yticks([]) 
  9.  
  10. plt.show() 

png
树

转载于:https://www.cnblogs.com/wushaogui/p/9202283.html

weixin_33859844
关注
  • 1
    点赞
  • 踩
  • 4
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
Python:实现随机图生成器算法(附完整源码)
希望我的博客，能帮上你解决学习中工作中所遇到的问题
07-28 798
Python:实现随机图生成器算法(附完整源码)
图神经网络实战（12）——图同构网络(Graph Isomorphism Network, GIN)
最新发布
盼小辉丶的博客
06-06 3006
图同构网络 (Graph Isomorphism Network, GIN) 架构受 WL 测试启发而设计的，其表达能力与 WL 测试相近，因此在严格意义上比 GCN、GAT 或 GraphSAGE 更具表达能力。在本节中，将这一架构用于图分类任务，介绍了将节点嵌入融合到图嵌入中的不同方法，GIN 通过连接求和运算符和每个 GIN 层产生图嵌入，其性能明显优于通过 GCN 层获得的经典全局均值池化。最后，我们将两个模型的预测结果进行简单的集成，从而进一步提高了准确率。
NetworkX系列教程(1)-创建graph
weixin_33758863的博客
06-19 707
小书匠Graph图论研究中经常涉及到图论的相关知识,而且常常面对某些术语时,根本不知道在说什么.前不久接触了NetworkX这个graph处理工具,发现这个工具已经解决绝大部分的图论问题(也许只是我自己认为的,没有证据证明),所以把这个工具的使用学习下,顺便学习图论的相关知识. NetworkX本来是有官方文档的,花时间去学也是可以的,我这里把认为重要的整理出来.这些内容会分几次发布,做成一个...
networkx节点2D网格，Python
Zhang Phil
11-06 1113
此种类型2D网格图，类似于棋盘等。 import networkx as nx import matplotlib.pyplot as plt def my_graph(): G = nx.grid_2d_graph(4, 4) pos = nx.spring_layout(G, iterations=100) # nrows=2，ncols=2，index=1 plt.subplot(2, 2, 1) nx.draw(G, pos, font_size=
python中grid[pos_python – 使用grid_2d_graph在networkx中绘制MxM节点的方形网格时删除旋转效果...
weixin_29913663的博客
02-09 725
默认情况下,networkx.draw使用弹簧布局.相反,您可以使用参数pos提供自己的位置.这实际上非常简单,因为给出networkx.grid_2d_graph的节点标签实际上是(行,列)元组：>>> G=nx.grid_2d_graph(2,2)[(0, 1), (1, 0), (0, 0), (1, 1)]因此,您可以使用节点的名称作为其位置.所以你只需要创建一个字典映射...
NetworkX:shapefile数据转换成图数据结构
周小树
06-02 3585
网络分析和路径分析的数据源经常是shp结构，数据预处理成为关键的一步， 发现一个将shp转换为有向图的工具：NetworkX http://networkx.lanl.gov/reference/readwrite.nx_shp.html 点数据类转换为node，线转换为edge。坐标对作为keys，保持属性，线被简化为只保留起始点。 还有一个图相关网站： G
python制作软件很复杂_利用Python中的networkx画复杂网络图
weixin_34221653的博客
12-29 1027
老师给了任务要画几个复杂网络的图，无奈MATLAB作图实在太麻烦，于是花了一个周末研究怎么画图。下面简单介绍python的第三方库NetworkXNetworkXNetworkX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。使用NetworkX，我们可以使用标准和非标准数据格式加载和存储网络，生成多种类型的随机和经典网络，分析网络结构，构建网络模型，设计新的网络算法，绘制网...
计算机视觉及其后的图神经网络教程（第一部分）
TensorFlowNews
11-02 1345
概述 我在本文将回答那些不熟悉图或图神经网络的AI/ML/CV的用户通常会问的问题。我提供了Pythorch的例子来澄清这种相对新颖和令人兴奋的模型背后的思路。 问题 我在本部分教程中提出的问题是： 为什么图这种数据结构有用？ 为什么在图上定义卷积是困难的？ 什么使神经网络成为图神经网络？ 为了回答这些问题，我将提供激励性的示例、论文和python代码，使其成为图神经网络（GNNs）的教...
graphml-tutorials-源码.rar
10-10
这个"graphml-tutorials-源码.rar"压缩包很可能是包含一系列教程或示例代码，帮助开发者学习如何使用GraphML进行图形数据的创建、读取和操作。源码可能涵盖多种编程语言，如Java、Python或C++，因为这些是通常用于...
CMGAN 跨模式异构图注意网络统一多模式理解和预测人类移动系统
程序员光剑
08-31 447
随着移动互联网、物联网和边缘计算等新兴技术的不断涌现，如何使得人类的移动生活更加便捷、高效地满足需求已经成为越来越多企业和开发者关注的重点。在这样的背景下，统一多模式理解（UAM）和预测性行为（Predictive Behavior）等概念及技术也逐渐被提出，并得到越来越多应用。而在这个过程中，如何能够把不同形式的数据集成到统一的“个人行为”数据模型中，从而形成一个“通用意识”，并对该“通用意识”做出准确的预测，成为当前人类移动预测领域的热门研究课题之一。
【NetWorkX实例(1)】基础操作
个人记录使用
02-08 2174
文章目录1. 读写Graph数据2. lollipop网络特性探索 1. 读写Graph数据 import sys import matplotlib.pyplot as plt import networkx as nx G = nx.grid_2d_graph(5, 5) #生成2d网格图像 #打印邻接列表 for line in nx.generate_adjlist(G): ...
Spark组件之GraphX学习8--随机图生成和TopK最大入度
Keep Learning
05-03 1624
更多代码请见：https://github.com/xubo245/SparkLearning 1.解释 前一篇为最大入度，但是有时候需要求topK,这篇博文求的TopK的入度，出度和度的求法类似 2.代码： /** * @author xubo * ref http://spark.apache.org/docs/1.5.2/graphx-programming-
优质生成器-Graph Editor
schtonn的博客
01-12 1213
RT 效果：
如何生成自己的DGL库中的graph
weixin_46574699的博客
03-23 191
图神经网络16-DGL实战：图、节点和边创建与运算 - 致Great的文章 - 知乎 https://zhuanlan.zhihu.com/p/382361696
三、NetworkX工具包实战1——创建图、节点和连接【CS224W】（Datawhale组队学习）
小刘的博客
02-18 1250
本篇文章主要介绍了如何通过NetworkX工具包创建图、节点和连接。 通过NetworkX自带的函数和API，创建内置的样例图，包括各种有向图、无向图、栅格图、随机图、社交网络。 在NetworkX中创建单个节点、创建多个节点、图本身作为节点。 在NetworkX中创建连接，设置连接的属性特征。
【Graph】NetworkX官方基础教程：图的生成与相关操作
小哲的博客
01-30 2670
本文作为对图结构和复杂网络的快速上手，内容包括基于NetworkX进行图的生成与相关操作，Graph的分析以及绘制Graphs。
（3-2）networkx之用graph绘制简单图
weixin_45014721的博客
08-19 6173
1.graph的各种图形 2.一次性绘制多张graph图 3.绘图方式的比较 4.极其重要的图： ER图，小世界网络，规则网络，无标度网络，空手道俱乐部 5.创建自定义的图象
【Python】networkx创建图（1）
littlemichelle
11-22 3186
创建一个无向图 import matplotlib import networkx as nx from PIL import Image import matplotlib.pyplot as plt from networkx.drawing.nx_pydot import to_pydot from matplotlib.font_manager import * #用于显示图片 def ShowGraph(G): # 使用pydot保存图片 P = to_pydot(G)
GraphML-Task03-Datawhale
m0_61267964的博客
02-18 136
【代码】GraphML-Task03-Datawhale
networkx igraph graph-tool等之间的效率
01-30
在 Python 中，networkx、igraph 和 graph-tool 都是用于构建、操作和分析图形数据的常用库。这些库之间的效率各不相同，这取决于你使用的具体图形数据和执行的操作。 - networkx 是一个基于 Python 的图论库，它有较为丰富的功能，可以处理复杂的图形数据。但是，它的效率较低，在处理大型图形数据时可能会明显感到卡顿。 - igraph 是一个用 C 语言编写的图论库，它可以通过 Python 的接口使用。它的效率比 networkx 高得多，特别是在处理大型图形数据时。 - graph-tool 是一个用 C++ 编写的图论库，也可以通过 Python 的接口使用。它的效率比 igraph 更高，是目前 Python 中效率最高的图论库之一。 总的来说，igraph 和 graph-tool 的效率要比 networkx 高得多，但是它们的功能相对较少，可能不适用于所有情况。如果你需要处理大型图形数据，可以考虑使用 igraph 或者 graph-tool，否则可以使用 networkx。
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