networkx怎么显示图_networkx详细教程

写在前面：城市计算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.最近接触了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.

创建一个图

importnetworkx as nx

G= nx.Graph()

节点

一次添加一个节点

G.add_node(1)

添加一个节点列表

G.add_nodes_from([2, 3])

边

可以通过一次添加一条边来增长

G.add_edge(1, 2)

e= (2, 3)

G.add_edge(*e) #unpack edge tuple*

也可以通过添加边列表

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

删除图中所有节点和边

G.clear()

我们添加新的节点/边，并且NetworkX会自动的忽略任何已经存在的节点。

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

G.add_node(1)

G.add_edge(1, 2)

G.add_node("spam") #adds node "spam"

G.add_nodes_from("spam") #adds 4 nodes: 's', 'p', 'a', 'm'

G.add_edge(3, 'm')

在这个阶段，图形G由8个节点和3个边组成，如下所示：

>>>G.number_of_nodes()8

>>>G.number_of_edges()3

我们可以检查节点和边。四个基本图形属性：G.nodes，G.edges，G.adj和G.degree。这些是节点，边，邻居(邻接点)和图中节点的程度集的视图。

>>>list(G.nodes)

['a', 1, 2, 3, 'spam', 'm', 'p', 's']>>>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 1

2

>>> G.remove_node(2)>>> G.remove_nodes_from("spam")>>>list(G.nodes)

[1, 3, 'spam']>>> G.remove_edge(1, 3)

通过实例化其中一个图形类来创建图形结构时，可以使用多种格式指定数据

>>> G.add_edge(1, 2)>>> H = nx.DiGraph(G) #create a DiGraph using the connections from G

>>>list(H.edges())

[(1, 2), (2, 1)]>>> edgelist = [(0, 1), (1, 2), (2, 3)]>>> H = nx.Graph(edgelist)

访问边和节点邻居

除了视图之外Graph.edges()，Graph.adj()还可以使用下标符号来访问边和邻居。

>>> G[1] #same as G.adj[1]

AtlasView({2: {}})>>> G[1][2]

{}>>> G.edges[1, 2]

{}

如果边已经存在，可以使用下标符号来获取/设置边的属性。

>>> G.add_edge(1, 3)>>> G[1][3]['color'] = "blue"

>>> G.edges[1, 2]['color'] = "red"

所有(节点，邻接节点)的快速查询都是使用 G.adjacency()或G.adj.items()完成的。请注意，对于无向图，邻接迭代会将每个边看两次。

>>> FG =nx.Graph()>>> FG.add_weighted_edges_from([(1, 2, 0.125), (1, 3, 0.75), (2, 4, 1.2), (3, 4, 0.375)])>>> for n, nbrs inFG.adj.items():

...for nbr, eattr innbrs.items():

... wt= eattr['weight']

...if wt < 0.5: print('(%d, %d, %.3f)' %(n, nbr, wt))

(1, 2, 0.125)

(2, 1, 0.125)

(3, 4, 0.375)

(4, 3, 0.375)

通过边属性可以方便地访问所有的边。

>>> for (u, v, wt) in FG.edges.data('weight'):

...if wt < 0.5: print('(%d, %d, %.3f)' %(u, v, wt))

(1, 2, 0.125)

(3, 4, 0.375)

将属性添加到图形，节点和边

属性(如权重，标签，颜色或任何您喜欢的Python对象)可以附加到图形，节点或边上。

每个图形，节点和边都可以在关联的属性字典中保存键/值属性对(键必须是可散列的)。默认情况下，这些都是空的，但属性可以使用添加或更改add_edge，add_node或命名的属性字典的直接操作G.graph，G.nodes和 G.edges一个图G。

图形属性

创建新图形时分配图形属性

>>> G = nx.Graph(day="Friday")>>>G.graph

{'day': 'Friday'}

或者也可以修改属性

>>> G.graph['day'] = "Monday"

>>>G.graph

{'day': 'Monday'}

节点属性

添加节点属性使用add_node()，add_nodes_from()或G.nodes

>>> G.add_node(1, time='5pm')>>> G.add_nodes_from([3], time='2pm')>>> G.nodes[1]

{'time': '5pm'}>>> G.nodes[1]['room'] = 714

>>>G.nodes.data()

NodeDataView({1: {'room': 714, 'time': '5pm'}, 3: {'time': '2pm'}})

边属性

添加/更改边使用的属性add_edge()，add_edges_from()或标符号。

>>> G.add_edge(1, 2, weight=4.7)>>> G.add_edges_from([(3, 4), (4, 5)], color='red')>>> G.add_edges_from([(1, 2, {'color': 'blue'}), (2, 3, {'weight': 8})])>>> G[1][2]['weight'] = 4.7

>>> G.edges[3, 4]['weight'] = 4.2

有向图:DiGraph()

DiGraph类提供特定于有向边的附加属性，例如DiGraph.out_edges()，DiGraph.in_degree()，DiGraph.predecessors()，DiGraph.successors()等。为了使算法能够轻松地处理这两个类， neighbor()的功能等同于successors()，而degree会报告in_degree和out_degree的总和，即使有时可能会感觉不一致

dg =nx.DiGraph()

nodes1=[

('Variable', {'name': 'avariable', 'table': 'tablename'}),

('Select', {'conditions': {'pro_code': 44}}),

('GroupBy', {'varname': 'gender'}),

('Mean', {}),

('Which1', {'level': 1}),

('Decimal1', {'place': 1}),

]

nodes2=[

('Which1', {'level': 2}),

('Decimal2', {'place': 1}),

]

nodes3=[

('Add', {})

]

dg.add_nodes_from(nodes1)

dg.add_nodes_from(nodes2)

dg.add_nodes_from(nodes3)

dg.add_edges_from([

('Variable', 'Select'),

('Select', 'GroupBy'),

('GroupBy', 'Mean'),

('Mean', 'Which1'),

('Mean', 'Which2'),

('Which1', 'Decimal1'),

('Which2', 'Decimal2'),

('Decimal1', 'Add'),

('Decimal2', 'Add'),

])

nx.draw(dg, with_labels=True)