硬核教程，利用 Python 搞定精美网络图

最新推荐文章于 2024-08-15 10:00:52 发布

weixin_44386638

最新推荐文章于 2024-08-15 10:00:52 发布

阅读量252

点赞数

分类专栏： python 编程语言文章标签： python 算法编程语言

原文链接：https://blog.csdn.net/fyfugoyfa/article/details/107830112

版权

python 同时被 2 个专栏收录

21 篇文章 5 订阅

订阅专栏

编程语言

21 篇文章 2 订阅

订阅专栏

硬核教程，

利用 Python 搞定精美网络图！

一、NetworkX 概述

NetworkX 是一个用 Python 语言开发的图论与复杂网络建模工具，内置了常用的图与复杂网络分析算法，可以方便的进行复杂网络数据分析、仿真建模等工作。

Networkx 支持创建简单无向图、有向图和多重图；内置许多标准的图论算法，节点可为任意数据；支持任意的边值维度，功能丰富。主要用于创造、操作复杂网络，以及学习复杂网络的结构、动力学及其功能。用于分析网络结构，建立网络模型，设计新的网络算法，绘制网络等等。

PS：本文所使用的数据源以及代码文件，可以在文末获取

二、NetworkX 的安装

pip install networkx -i http://pypi.douban.com/simple --trusted-host pypi.douban.com

三、NetworkX 基础知识

1. 创建图

可以利用 networkx 创建四种图： Graph 、DiGraph、MultiGraph、MultiDiGraph，分别为无多重边无向图、无多重边有向图、有多重边无向图、有多重边有向图。

import network as nx
G = nx.Graph()
G = nx.DiGraph()
G = nx.MultiGraph()
G = nx.MultiDiGraph()

2. 网络图的加点和加边

import networkx as nx
import matplotlib.pyplot as plt
G = nx.DiGraph()
G.add_node('z') # 添加节点z
G.add_nodes_from([1, 2, 3]) # 添加节点 1 2 3
G.add_edge('x', 'y') # 添加边起点为x 终点为y
G.add_edges_from([(1, 2), (1, 3), (2, 3)]) # 添加多条边
# 网络图绘制与显示
nx.draw(G, with_labels=True)
plt.show()

运行效果如下：

为了让网络图更美观可以调节 nx.draw() 方法里的参数

nx.draw(G, pos=nx.random_layout(G), node_color = 'b', edge_color = 'r', with_labels = True, font_size =18, node_size =20)

G：待绘制的网络图G
node_size：指定节点的尺寸大小(默认是300)
node_color: 指定节点的颜色 (可以用字符串简单标识颜色，例如'r'为红色，'g'为绿色这样)
node_shape: 节点的形状（默认是圆形，用字符串'o'标识）
alpha: 透明度 (默认是1.0，不透明，0为完全透明)
width: 边的宽度 (默认为1.0)
edge_color: 边的颜色(默认为黑色)
style: 边的样式(默认为实现，可选： solid | dashed | dotted | dashdot
with_labels：节点是否带标签
font_size: 节点标签字体大小
font_color: 节点标签字体颜色（默认为黑色）

3. 运用布局

circular_layout：节点在一个圆环上均匀分布

random_layout：节点随机分布

shell_layout：节点在同心圆上分布

spring_layout：用 Fruchterman-Reingold 算法排列节点（样子类似多中心放射状）

spectral_layout：根据图的拉普拉斯特征向量排列节点

绘制网络图实例如下：

import networkx as nx
import matplotlib.pyplot as plt
# 初始化一个有向图对象
DG = nx.DiGraph()
DG.add_node('X')
# 添加节点传入列表
DG.add_nodes_from(['A', 'B', 'C', 'D', 'E'])
print(f'输出图的全部节点：{DG.nodes}')
print(f'输出节点的数量：{DG.number_of_nodes()}')
# 添加边传入列表列表里每个元素是一个元组元组里表示一个点指向另一个点的边
DG.add_edges_from([('A', 'B'), ('A', 'C'), ('A', 'D'), ('D', 'A'), ('E', 'A'), ('E', 'D')])
DG.add_edge('X', 'C')
print(f'输出图的全部边:{DG.edges}')
print(f'输出边的数量：{DG.number_of_edges()}')
# 可自定义节点颜色
colors = ['pink', 'blue', 'green', 'yellow', 'red', 'brown']
# 运用布局
pos = nx.circular_layout(DG)
# 绘制网络图
nx.draw(DG, pos=pos, with_labels=True, node_size=200, width=0.6, node_color=colors)
# 展示图片
plt.show()

运行效果如下：

输出图的全部节点：['X', 'A', 'B', 'C', 'D', 'E']
输出节点的数量：6
输出图的全部边:[('X', 'C'), ('A', 'B'), ('A', 'C'), ('A', 'D'), ('D', 'A'), ('E', 'A'), ('E', 'D')]
输出边的数量：7

四、利用 NetworkX 实现关联类分析

利用 soccer.csv 中的数据，使用 Python 的 NetworkX 包按要求进行绘图。

1. 提取数据

统计不同俱乐部（Club）的球员数量，从球员最多的五个俱乐部抽取 50 名球员信息(球员数量最多的俱乐部抽取 30 名，剩下 4 个俱乐部各抽取 5 名)构成新的 DataFrame，打印其 info()。

import pandas as pd
df = pd.read_csv('soccer.csv', encoding='gbk')
data = df['Club'].value_counts()
# 球员人数最多的5个俱乐部
clubs = list(data.index[:5])
# 球员数量最多的俱乐部抽取30名
df1 = df[df['Club'] == clubs[0]].sample(30, axis=0)
# 剩下4个俱乐部各抽取5名
df2 = df[df['Club'] == clubs[1]].sample(5, axis=0)
df3 = df[df['Club'] == clubs[2]].sample(5, axis=0)
df4 = df[df['Club'] == clubs[3]].sample(5, axis=0)
df5 = df[df['Club'] == clubs[4]].sample(5, axis=0)
# 合并多个DataFrame
result = pd.concat([df1, df2, df3, df4, df5], axis=0, ignore_index=True)
# 打乱DataFrame顺序
new_result = result.sample(frac=1).reset_index(drop=True)
# new_result.info()
# 抽样的数据保存到excel
new_result.to_excel('samples.xlsx')

Jupyter Notebook 环境中读取 samples.xlsx，打印其 info()，结果如下：领取免费教程及资料+v：boyin7988 备注Python即可

import pandas as pd
df = pd.read_excel('samples.xlsx')
df.info()

2. 画网络图

在提取出的数据的基础上，通过判断球员是否属于同一俱乐部，绘出随机分布网络图、Fruchterman-Reingold 算法排列节点网络图与同心圆分布网络图。尽可能让网络图美观，如为属于同一俱乐部的节点设置相同的颜色。

将每个球员当作网络图中一个节点，计算节点之间的连通关系，同属一个俱乐部则连通。

import pandas as pd
df = pd.read_excel('samples.xlsx')
df = df.loc[::, ['Name', 'Club']]
print(df['Club'].value_counts())
datas = df.values.tolist()
name = [datas[i][0] for i in range(len(datas))]
nodes = [str(i) for i in range(len(datas))]
club = [datas[i][1] for i in range(len(datas))]
# print(nodes)
df = pd.DataFrame({'姓名': name, '节点编号': nodes, '所属俱乐部': club})
df.to_csv('nodes_info.csv')
with open('record.txt', 'w') as f:
for i in range(len(nodes)):
for j in range(i, len(nodes) - 1):
if datas[i][1] == datas[j+1][1]: # 属于同一俱乐部
f.write(f'{nodes[i]}-{nodes[j + 1]}-{datas[i][1]}'+ '\n')

(1) 随机分布网络图

import networkx as nx
import matplotlib.pyplot as plt
import pandas as pd
from collections importCounter
df = pd.read_csv('nodes_info.csv')['所属俱乐部']
items = df.values
print(Counter(items))
node_colors = []
# 5个俱乐部属于同一个俱乐部的节点设置相同颜色
for item in items:
if item == 'Free Agents':
node_colors.append('red')
elif item == 'Real Madrid':
node_colors.append('yellow')
elif item == 'Chelsea':
node_colors.append('blue')
elif item == 'FC Barcelona':
node_colors.append('green')
elif item == 'Manchester Utd':
node_colors.append('pink')
DG = nx.MultiGraph()
DG.add_nodes_from([str(i) for i in range(0, 50)])
DG.nodes()
with open('record.txt', 'r') as f:
con = f.read().split('\n')
edges_list = []
for i in con[:-1]:
edges_list.append(tuple(i.split('-')[:2]))
print(edges_list)
DG.add_edges_from(edges_list)
# 运用布局
pos = nx.random_layout(DG) # 节点随机分布
# 绘制网络图
nx.draw(DG, pos, with_labels=True, node_size=200, width=0.6, node_color=node_colors)
# 显示图片
plt.show()

运行效果如下：

(2) Fruchterman-Reingold 算法排列节点网络图

import networkx as nx
import matplotlib.pyplot as plt
import pandas as pd
from collections importCounter
df = pd.read_csv('nodes_info.csv')['所属俱乐部']
items = df.values
print(Counter(items))
node_colors = []
# 5个俱乐部属于同一个俱乐部的节点设置相同颜色
for item in items:
if item == 'Free Agents':
node_colors.append('red')
elif item == 'Real Madrid':
node_colors.append('yellow')
elif item == 'Chelsea':
node_colors.append('blue')
elif item == 'FC Barcelona':
node_colors.append('green')
elif item == 'Manchester Utd':
node_colors.append('pink')
DG = nx.MultiGraph()
DG.add_nodes_from([str(i) for i in range(0, 50)])
DG.nodes()
with open('record.txt', 'r') as f:
con = f.read().split('\n')
edges_list = []
for i in con[:-1]:
edges_list.append(tuple(i.split('-')[:2]))
print(edges_list)
DG.add_edges_from(edges_list)
# 运用布局
pos = nx.spring_layout(DG) # 用Fruchterman-Reingold算法排列节点（样子类似多中心放射状）
# 绘制网络图
nx.draw(DG, pos, node_size=10, width=0.6, node_color=node_colors)
# 显示图片
plt.show()

运行效果如下：

(3) 同心圆分布网络图领取免费教程及资料+v：boyin7988 备注Python即可

import networkx as nx
import matplotlib.pyplot as plt
import pandas as pd
from collections importCounter
df = pd.read_csv('nodes_info.csv')['所属俱乐部']
items = df.values
print(Counter(items))
node_colors = []
# 5个俱乐部属于同一个俱乐部的节点设置相同颜色
for item in items:
if item == 'Free Agents':
node_colors.append('red')
elif item == 'Real Madrid':
node_colors.append('yellow')
elif item == 'Chelsea':
node_colors.append('blue')
elif item == 'FC Barcelona':
node_colors.append('green')
elif item == 'Manchester Utd':
node_colors.append('pink')
DG = nx.MultiGraph()
DG.add_nodes_from([str(i) for i in range(0, 50)])
DG.nodes()
with open('record.txt', 'r') as f:
con = f.read().split('\n')
edges_list = []
for i in con[:-1]:
edges_list.append(tuple(i.split('-')[:2]))
print(edges_list)
DG.add_edges_from(edges_list)
# 运用布局
pos = nx.shell_layout(DG) # 节点在同心圆上分布
# 绘制网络图
nx.draw(DG, pos, with_labels=True, node_size=200, width=0.6, node_color=node_colors)
# 显示图片
plt.show()