networkx edge 属性_Python 图论算法实现工具——NetworkX（1）环境配置及图的创建

点击查看原文可进入我的个人博客(试运行)查看具有完整引用功能的文章~

1. 前言

前段时间和几位小伙伴一起学习数学建模，其中解决拼接碎纸片问题(2013年全国大学生数学建模B题¹)时候使用了图的模型，虽然Matlab解决具体的图论问题有很好用的工具箱，但由于组里的小伙伴大多使用Python，所以还是希望能使用Python来解决图论相关的问题(其实主要还是Matlab用的比较菜的缘故)。于是我们发现了Python图论相关的package——NetworkX，在接下来的过程中，我将参考NetworkX2.4官方文档²来学习使用NetworkX模块。由于官方文档只有英文版本，本人英语水平有限，若出现错误还望大家指正。

ps:

这个公众号其实20年1月份我就开通了，受到杨老师学习报告的启发，我一开始本着记录一些各领域所学知识，分享给身边需要的人的想法，打算写一些知识分享内容的，后来因为各种原因(主要是没有找到合适的写作排版发布平台，好吧没错就是懒)就暂时搁置了。现在终于等到放假了，不管其他的先搞起来，也希望能通过这一个过程锻炼锻炼自己的写作能力，分享自己对于这个世界的所知所想。

2. NetworkX概述

图1：NetworkX logo

NetworkX是一个免费的Python 软件包(package)，主要用于创建、操作和研究复杂网络的结构(structure)、动力学(dynamics)和功能(functions)。

在官方文档²中，指出NetworkX的几个亮点：

• 支持图(Graph)、有向图(Digraph)和多图(Multigraph)的数据结构
• 支持许多标准图算法
• 网络结构与分析措施
• 是经典图、随机图和综合网络？(synthetic networks)的生成器
• 节点(Nodes)可以是任意内容(例如：文本、图像、XML记录)
• 边可以保存任意数据(例如：权重、时间序列)
• 免费开源3-clause BSD license
• 提高与现有的C、C++和FORTRAN编写的数值算法和代码的接口

NetworkX诞生于2002年5月。原始版本是由Aric Hagberg，Dan Schult和Pieter Swart在2002年和2003年设计和编写的。首次公开发行是在2005年4月。

3. NetworkX的安装配置

对于熟悉Python开发的小伙伴来说，安装配置当然无脑首选pip工具啦~

使用pip安装当前版本的networkx

pip install networkx




升级到最新版本，使用--upgrade标签：

pip install --upgrade networkx




注意：使用pip工具安装到的是发布版本，如果想安装开发版本可以使用git安装，详情可参考官方文档中的说明³。

查看本地networkx是否成功安装,可在命令提示符中输入：

\>pip show networkx




如果出现以下内容，则安装成功。

Name: networkxVersion: 2.4Summary: Python package for creating and manipulating graphs and networksHome-page: http://networkx.github.io/Author: Aric HagbergAuthor-email: hagberg@lanl.govLicense: BSDLocation: c:\anaconda3\lib\site-packagesRequires: decoratorRequired-by: scikit-image




(当然你也可以直接import networkx as nx试一下)

4. NetworkX创建一个简单的图

接下来，我将参考Networkx2.4官方文档⁴，讲解图的创建

1.创建一个空图

import networkx as nxG = nx.Graph()




这时，我们就创建好了一个没有结点(Node)也没有边(Edge)的空图。

感兴趣的话你可以打印一下变量G的类型:

print(type(G))




输出：

<class 'networkx.classes.graph.Graph'>




复习一下图论中图的定义：

定义⁵：

A  graph  is an ordered triple  consisting of a nonempty set  of vertices ,a set ,disjoint from ,of edges, and an incidence function  that associates with each edge of   an unordered pair of (not necessarily distinct) vertices of . If  is an edge and  and  are vertices such that , then  is said to join  and ; the vertices  and  are called the  of .

在NetworkX中，结点可以是任何可以哈希的对象(hashable object)。例如一段文本、一张图片、一个XML对象、另外一个图、自定义的结点对象等。(Python的None对象不应用作节点，因为它决定在许多函数中是否分配了可选函数参数，此处函数为Python中的函数概念)

2. 结点(Nodes)

图G可以通过一些方式扩充。NetworkX包含许多图生成器函数和以多种格式读写图的工具。

例如我们可以在图中添加一个结点(使用add_node()方法)

G.add_node(1)




添加一个由多个结点组成的列表(使用add_nodes_from方法)，亦或者添加任意一个由结点构成的可迭代对象。

G.add_nodes_from([2, 3])




如果你的可迭代对象中每个元素是一个二元组(node，node_attrribute_dict),也可以将这些结点和对应的结点属性一同添加进去。

H = nx.path_graph(10)G.add_nodes_from(H)




注意，上述例子添加结点的含义是将图H中所有结点添加到图G中，如图2所示：

图2：图H与图G的对比

当然，也可以将图H作为图G的一个结点：

G.add_node(H)




在具体使用过程中要注意两种方式的区别。

另外的，在官方文档中提到：

如果变量的哈希值取决于它的内容，则不应更改结点对象

(You should not change the node object if the hash depends on its contents.)

3. 边(Edges)

图G可以通过一次添加一条边来扩充(使用add_edge()方法)：

G.add_edge(1, 2)e = (2, 3)G.add_edge(*e)# 注意：*e表示一个unpack edge tuple




和结点添加一样，图G可以由一个由边构成的列表所扩充(使用add_edges_from()方法)：

G.add_edges_from([(1, 2), (3, 4)])




或者通过添加任何的ebunch边⁶。一个ebunch是边元组的任何可迭代对象，这个可迭代对象可以是图H。其中，边元组可以是2个节点的元组或3个具有2个节点的三元组，三元组最后一个元素是边属性字典，例如 :(2, 3, {'weight': 3.1415})，这个例子中边属性字典包含了这条边的权值。那么如果想将ebuch添加到图中：

G.add_edges_from(H.edges)




如果需要删除图G中所有的边，可以使用clear()方法

G.clear()

到现在，我们就可以对一个图G添加或删除边和结点了。例如官方文档中的案例：

import networkx as nxG = nx.Graph()G.add_edges_from([(1, 2), (1, 3)])G.add_node(1)G.add_edge(1, 2)G.add_node("spam")        # 添加一个结点："spam"G.add_nodes_from("spam")  # 添加四个结点：'s', 'p', 'a', 'm'G.add_edge(3, 'm')  # 添加一条结点3与结点'm'的边

可视化图G结果如图3所示(具体的方法会在NetworkX后续文章中说明)：

图3：带有结点和边的图G可视化

这个图G由8个结点和3条边组成，可利用number_of_nodes()、number_of_edges()进行考察

>>> G.number_of_nodes()8>>> G.number_of_edges()3

我们还可以获取图G的一些基本信息。比如结点G.nodes、边G.edges、邻接G.adj、结点度G.degree，我们还可以将这些图的元素通过如.item()、.data('span')等方式查看其具体信息。例如：

>>> list(G.nodes)[1, 2, 3, 'spam', 's', 'p', 'a', 'm']>>> list(G.edges)[(1, 2), (1, 3), (3, 'm')]>>> list(G.adj[1])  # or list(G.neighbors(1))[2, 3]>>> G.degree[1]  # the number of edges incident to 12

我们可以使用nbunch⁷来展示边及所有结点的度构成的子集。一个nbunch是任意的：None(即所有节点)，节点，或节点中的一个可迭代对象本身不是图中的一个节点。例如：

>>> G.edges([

我们可以采用与添加边或者结点类似的方法来删除图中的结点和边。使用方法:Graph.remove_node()、Graph.remove_nodes_from()、Graph.remove_edge()、Graph_remove_edges_from()。例如：

>>> G.remove_node(2)>>> G.remove_nodes_from("spam")>>> list(G.nodes)[1, 3, 'spam']>>> G.remove_edge(1, 3)




我们在实例化一种图类来构造图时，可以指定一种格式的数据，例如:

>>> G.add_edge(1, 2)>>> H = nx.DiGraph(G)   # 利用图G来构建一个有向图H>>> list(H.edges())[(1, 2), (2, 1)]>>> edgelist = [(0, 1), (1, 2), (2, 3)]>>> H = nx.Graph(edgelist)  # 利用edgelist构建一个图H

本次的NetworkX工具介绍就到这里啦。如果喜欢这篇内容的话欢迎转发、收藏本文章，您的喜欢是我写作的最大动力！

欢迎关注我的微信公众号：

一位数学专业的在读大学生(菜鸡) ————————————— 生活&音乐&学习&随笔 ————————————— 用文字记录平淡生活中每一个值得记录的瞬间。 感谢在茫茫人海中与你相遇。 做点温暖的事情， 愿你也能感受到身边的温暖。

参考资料：

[1] 2013年高教社杯全国大学生数学建模竞赛试题

[2] NetworkX2.4官方文档-index

[3] NetworkX2.4官方文档-install

[4] NetworkX2.4官方文档-creating a graph

[5] Bondy J A , Murty U S R . Graph theory with applications[M]. The Macmillan Press Ltd, 1976.

[6] NetworkX2.4官方文档-reference-glossary-ebunch

[7] NetworkX2.4官方文档-reference-glossary-nbunch

商用转载请联系：673235106@qq.com