python力导向图论文_将距离矩阵可视化为图形

可能性1

我假设您需要二维图，其中节点位置之间的距离与表中提供的相同。

在python中，您可以对此类应用程序使用networkx。一般来说，有很多方法可以这样做，记住，所有的方法都是近似的（一般来说，由于给定点的成对距离，不可能创建点的二维表示），它们是某种应力最小化（或能量最小化）近似，试图找到“合理的”表示与提供的距离类似。

作为示例，您可以考虑四点示例（应用正确的离散度量）：p1 p2 p3 p4

---------------

p1 0 1 1 1

p2 1 0 1 1

p3 1 1 0 1

p4 1 1 1 0

通常，绘制实际的“图”是多余的，因为您已经完全连接了一个（每对节点都已连接），所以只绘制点就足够了。import networkx as nx

import numpy as np

import string

dt = [('len', float)]

A = np.array([(0, 0.3, 0.4, 0.7),

(0.3, 0, 0.9, 0.2),

(0.4, 0.9, 0, 0.1),

(0.7, 0.2, 0.1, 0)

])*10

A = A.view(dt)

G = nx.from_numpy_matrix(A)

G = nx.relabel_nodes(G, dict(zip(range(len(G.nodes())),string.ascii_uppercase)))

G = nx.to_agraph(G)

G.node_attr.update(color="red", style="filled")

G.edge_attr.update(color="blue", width="2.0")

G.draw('distances.png', format='png', prog='neato')# Classical MDS

# N rows (objects) x p columns (variables)

# each row identified by a unique row name

d <- dist(mydata) # euclidean distances between the rows

fit <- cmdscale(d,eig=TRUE, k=2) # k is the number of dim

fit # view results

# plot solution

x <- fit$points[,1]

y <- fit$points[,2]

plot(x, y, xlab="Coordinate 1", ylab="Coordinate 2",

main="Metric MDS", type="n")

text(x, y, labels = row.names(mydata), cex=.7)

可能性2

您只想绘制一个带标记边的图形

同样，networkx可以帮助：import networkx as nx

# Create a graph

G = nx.Graph()

# distances

D = [ [0, 1], [1, 0] ]

labels = {}

for n in range(len(D)):

for m in range(len(D)-(n+1)):

G.add_edge(n,n+m+1)

labels[ (n,n+m+1) ] = str(D[n][n+m+1])

pos=nx.spring_layout(G)

nx.draw(G, pos)

nx.draw_networkx_edge_labels(G,pos,edge_labels=labels,font_size=30)

import pylab as plt

plt.show()