图论（二）：图的度分析——度数bar图&度数等级图&度数直方图&根据度数渲染节点颜色

本期所用数据集，空手道俱乐部关系数据集：

• 数据集中共有34个节点，每个节点代表俱乐部中的一名成员
• 数据集中共有78条边，每条边表示两名成员之间的友谊关系或社交联系
• 常见数据集格式为GML和TXT格式，还可能包含其他格式的文件，如邻接矩阵、权值矩阵、net格式等

import networkx as nx
import numpy as np
import matplotlib.pyplot as plt
import pandas as pd

G = nx.karate_club_graph() # 空手道俱乐部图。
#调用 nx.karate_club_graph() 时，返回一个NetworkX图对象（Graph object）
#该对象包含了上述的节点和边信息。这个图对象可以使用NetworkX提供的各种函数进行进一步的分析和可视化
pos = nx.spring_layout(G,seed=1)  
#设置节点位置。seed随机种子决定了每次运行后节点分布确定
#pos 是一个字典，其中键是图中的节点，值是该节点在二维空间中的位置（通常是x和y坐标）
#这些位置是由Spring布局算法计算得出

plt.figure(figsize = (14,8))

nx.draw_networkx(G, pos, node_color = 'green',edge_color = 'red')
plt.savefig('全图.svg')

---

度分析（确定关系中心）

连通性：

• 用于描述“图的节点如何通过边相连”；
• 连通图中任意两点间都有路径相连；非连通图存在至少一对节点间无路径相连
• 连通分量是无向图中最大的连通子图
• 有向图的强连通意味着任意两点间存在双向路径；弱连通则至少通过将所有边视为无向边可实现连通
• 桥是图中 移除后 会 增加连通分量数量 的边，局部桥是除非两端直接相连外，不属于任何其他更小的循环的边

---

度分析：使用图的节点度数帮助分析图的连通性

1、节点标签-度数bar图

degree_sequence = sorted((d for n, d in G.degree()), 
                         reverse=True)
# 度数从大到小排序（n为序号，d为度数，但是只取度数d）——返回结果为数组形式

dmax = max(degree_sequence) #取度数的最大值

dict_degree = dict(G.degree()) #将结果转为字典（节点标签：度数）

pd.DataFrame(list(dict_degree.items()), columns=['Key', 'Values']) #字典转换为列表再转换为DataFrame，列名'节点标签Key', 度数值'Values'

# 每个节点的具体度数
plt.bar(dict_degree.keys(),dict_degree.values())
plt.xlabel('Node label')
plt.ylabel('Degree')
plt.savefig('节点度数bar chart.svg')

---

2、度数等级图

set(degree_sequence) #将sorted排序后的数组转换为集合set格式

fig, ax = plt.subplots(figsize = (14,8))
ax.plot(degree_sequence, "g-", marker="o")
ax.set_ylabel("Degree")
ax.set_xlabel("Rank")
ax.set_xlim(0,34)
ax.set_ylim(0,17)
plt.savefig('度数等级图.svg')

---

3、度数直方图（度数-该度数频数）

fig, ax = plt.subplots(figsize = (14,8))
ax.bar(*np.unique(degree_sequence, return_counts=True))
ax.set_xlabel("Degree")
ax.set_ylabel("Number of Nodes")
plt.savefig('度数直方图.svg')

4、根据度数渲染颜色

试着绘制最大连通分量：

#这次不用空手道俱乐部图数据了，用随机图
G = nx.gnp_random_graph(100, 0.02, seed=1) # 创建随机图对象
#plt.figure(figsize = (14,9))
#pos = nx.spring_layout(G, seed = 8)
#nx.draw_networkx(G, pos, 
                 with_labels = False,
                 node_size=20, node_color = 'green')
#plt.savefig('全图.svg')  #绘制全图

Gcc = G.subgraph(sorted(nx.connected_components(G), 
                        key=len, reverse=True)[0])  #连通分量（节点数最多）

pos_Gcc = {k: pos[k] for k in list(Gcc.nodes())}
# 取出子图节点坐标。返回一个字典

plt.figure(figsize = (14,9))
nx.draw_networkx(Gcc, pos_Gcc, 
                 with_labels = False,
                 node_size=50, node_color = 'red')
plt.savefig('最大连通分量.svg')

根据度数渲染节点颜色：

#前处理：类比上面俱乐部数据处理方法
degree_sequence = sorted((d for n, d in G.degree()), 
                         reverse=True)  # 度数大小排序
dmax = max(degree_sequence)
dict_degree = dict(G.degree())  # 将结果转为字典
set(degree_sequence)

# 自定义函数，过滤dict：从字典中提取 value 满足特定要求的部分，结果还是一个字典
def filter_value(dict_, unique):
    
    newDict = {}
    for (key, value) in dict_.items():
        if value == unique:
            newDict[key] = value
            
    return newDict

unique_deg = set(degree_sequence)
# 取出节点度数独特值：用集合运算提取节点度数的独特值

colors = plt.cm.RdYlBu_r(np.linspace(0, 1, len(unique_deg)))
# 独特值的颜色映射：节点度数独特值的颜色映射；度数高用暖色调，度数低用冷色调

plt.figure(figsize = (14,9))
nx.draw_networkx_edges(G, pos)
# 绘制图的边

# 分别绘制不同度数节点：根据节点度数大小分批绘制节点
for deg_i, color_i in zip(unique_deg,colors):
    
    dict_i = filter_value(dict_degree,deg_i)
    nx.draw_networkx_nodes(G, pos, 
                           nodelist = list(dict_i.keys()), 
                           node_size=40,
                           node_color = color_i)
plt.savefig('根据度数大小渲染节点.svg')

---