python基础 Networkx

Networkx

1.介绍

“用于复杂网络高生产力软件”的分析模块

• 可以表示各种网络（有向、无向、多图）的数据结构
• 极高的灵活性：节点可以是python中任意对象，边可以包含任意数据
• 图形算法的宝库
• 多平台，易于使用

2.安装

pip install networkx

3.无向图

import networkx as nx
g = nx.Graph()
# 添加结点
for i in range(1,6):
    g.add_node(i)
print(g.nodes())     # 输出结点

[1, 2, 3, 4, 5]

# 添加边
g.add_edges_from([(1,2),(1,4),(2,3),(2,4),(3,4),(4,5)])
print(g.edges())     # 输出边
print(g.degree(4))   # 输出结点的度
print(list(g.neighbors(4)))     #输出邻居结点

[(1, 2), (1, 4), (2, 3), (2, 4), (3, 4), (4, 5)]
4
[1, 2, 3, 5]

# 字典
g2 = nx.Graph()
# 可以在节点处添加字典信息
g2.add_node(1, time='10am', location='school')
print(g2.nodes[1])
print(g2.nodes[1]['location'])

{'time': '10am', 'location': 'school'}
school

## 也可以在边上添加字典信息，如边的权重等
g2.add_node(2)
g2.add_edge(1,2, weight = 4.0)

print(g2[1][2])

# 更改权重
g2[1][2]['weight'] = 5.0

print(g2[1][2]['weight'])

{'weight': 4.0}
5.0

# 结点、边的迭代
g2.add_edge(1, 3, weight=3.7)

# 迭代输出结点和结点的度
for node in g2.nodes():
    print(node, g2.degree(node))
    
# 输出两节点及两节点之间的权重
for n1, n2, attr in g2.edges(data=True):
    print(n1, n2, attr['weight'])

1 2
2 1
3 1
1 2 5.0
1 3 3.7

3. 有向图

dg = nx.DiGraph()
# 添加带权有向边
dg.add_weighted_edges_from([(1, 4, 0.5), (3, 1, 0.75),(1, 2, 0.4)])

# 出度,输出出度之和
print(dg.out_degree(1, weight='weight'))
# 入度，输出入度之和
print(dg.in_degree(1, weight='weight'))
# 后继结点
print(list(dg.successors(1)))
# 前驱结点
print(list(dg.predecessors(1)))

0.9
0.75
[4, 2]
[3]

有些算法只适用于无向图，而对无向图没有很多好的定义。

如果需要将有向图视为没有测量值的无向图，则可以使用Graph.to_undirected()来转换。

4.图操作

• subgraph(G, nbunch) # 生成n个结点（nbunch）的子图
• union(G1, G2) # 图的并集，G1,G2必须不相交
• cartesian_product(G1, G2) # 返回笛卡尔积图
• compose(G1, G2) # 组合图来识别两者的公共结点
• complement(G) # 图的补图
• creat_empty_copy(G) # 返回同一个图类的空副本
• convert_to_undirected(G) # 返回图G的无向图
• convert_to_directed(G) # 返回图G的有向图

5.图生成器

#(1)著名小图
petersen = nx.petersen_graph()    #彼得森图
tutte = nx.tutte_graph()      
maze = nx.sedgewick_maze_graph()
tet = nx.tetrahedral_graph()
#(2)经典图
K_5 = nx.complete_graph(5)
K_3_5 = nx.complete_bipartite_graph(3, 5)
barbell = nx.barbell_graph(10, 10)
lollipop = nx.lollipop_graph(10, 20)
#(3)随机图
er = nx.erdos_renyi_graph(100, 0.15)
ws = nx.watts_strogatz_graph(30, 3, 0.1)
ba = nx.barabasi_albert_graph(100, 5)
red = nx.random_lobster(10, 0.9, 0.9)


nx.draw(K_3_5)
print(K_3_5.nodes())

[0, 1, 2, 3, 4, 5, 6, 7]

5.输入输出

参考链接：https://networkx.org/documentation/stable/reference/readwrite/index.html

# 输出
nx.write_gexf(K_3_5, 'k_3_5.gexf')
nx.write_edgelist(K_3_5, 'K_3_5.txt')

# 读取
k35 = nx.read_gexf('K_3_5.gexf')

nx.draw(k35)

​

​

### 6.画图
import pylab as plt
g = nx.watts_strogatz_graph(100, 8, 0.1)
nx.draw(g)

​

​

nx.draw_random(g)

​

​

nx.draw_circular(g)

​

​

nx.draw_spectral(g)

​

​