图论（Python networkx）

已于 2022-10-15 13:25:54 修改
阅读量2.2k 收藏 31
点赞数 5
分类专栏： 数模 文章标签： python 图论 算法
于 2022-07-10 18:33:35 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/weixin_58427214/article/details/125708176
版权

一、无负权值的单源最短路径模型（Dijkstra）

Dijkstra算法适用于单源、无负权值、有向图或无向图的最短路径模型

1、基本模型

以下图为例，求节点0到其他节点的最短路径

2、代码实现 

import networkx as nx
#创建有向图
graph = nx.DiGraph()
#创建下标为0开始的6个节点
graph.add_nodes_from(range(0, 6))
#输入带权边的数据
edges = [(0, 1, 2), (0, 2, 3), (0, 4, 7), (0, 5, 2),
         (2, 3, 5), (2, 4, 1),
         (4, 3, 3), (4, 5, 2)]
#输入边
graph.add_weighted_edges_from(edges)
#求解
sd = []
sd_path = []
for i in range(0, 6):
    sd.append(nx.dijkstra_path_length(graph, 0, i, weight='weight'))
    sd_path.append(nx.dijkstra_path(graph, 0, i, weight='weight'))
#输出结果
print("最短路径值为：", sd)
print("最短路径为：", sd_path)

3、输出结果

最短路径值为： [0, 2, 3, 7, 4, 2]
最短路径为： [[0], [0, 1], [0, 2], [0, 2, 4, 3], [0, 2, 4], [0, 5]]

二、存在负权值的单源最短路径模型（Bellman-ford）

Bellman-ford算法适用于单源、可有负权值、无负权值环、有向图或无向图的最短路径模型

1、基本模型

以下图为例，求节点0到其他节点的最短路径

2、代码求解 

import networkx as nx
#创建有向图
graph = nx.DiGraph()
#创建下标为0开始的6个顶点
graph.add_nodes_from(range(0, 6))
#输入带权边的数据
edges = [(0, 1, 4), (0, 2, 3), (0, 4, 3), (0, 5, 1),
         (1, 2, -2),
         (2, 3, 5), (2, 4, -2),
         (4, 3, 3), (4, 5, 3)]
#输入边
graph.add_weighted_edges_from(edges)
#求解
sd = []
sd_path = []
for i in range(0, 6):
    sd.append(nx.bellman_ford_path_length(graph, 0, i, weight='weight'))
    sd_path.append(nx.bellman_ford_path(graph, 0, i, weight='weight'))
#输出结果
print("最短路径值为：", sd)
print("最短路径为：", sd_path)

3、输出结果

最短路径值为： [0, 4, 2, 3, 0, 1]
最短路径为： [[0], [0, 1], [0, 1, 2], [0, 1, 2, 4, 3], [0, 1, 2, 4], [0, 5]]

三、多源最短路径模型(Floyd)

Floyd算法适用于多源、可有负权值、有向图或无向图的最短路径模型

1、基本模型

以下图为例，求所有节点之间的最短路径

 2、代码求解

import networkx as nx
#创建无向图
graph = nx.Graph()
#创建下标为0开始的6个节点
graph.add_nodes_from(range(0, 6))
#输入带权边的数据
edges = [(0, 1, 20), (0, 4, 15),
         (1, 2, 20), (1, 3, 40), (1, 4, 25),
         (2, 3, 30), (2, 4, 10),
         (4, 5, 15)]
#输入边
graph.add_weighted_edges_from(edges)
#求解
sd = dict(nx.shortest_path_length(graph, weight='weight'))
sd_path = dict(nx.shortest_path(graph, weight='weight'))
#输出结果
for i in range(0, 6):
    for j in range(0, 6):
        print("{}->{}的最短路径值为{}\t最短路径为：{}".format(i, j, sd[i][j], sd_path[i][j]))

3、输出结果

0->0的最短路径值为0    最短路径为：[0]
0->1的最短路径值为20    最短路径为：[0, 1]
0->2的最短路径值为25    最短路径为：[0, 4, 2]
0->3的最短路径值为55    最短路径为：[0, 4, 2, 3]
0->4的最短路径值为15    最短路径为：[0, 4]
0->5的最短路径值为30    最短路径为：[0, 4, 5]
1->0的最短路径值为20    最短路径为：[1, 0]
1->1的最短路径值为0    最短路径为：[1]
1->2的最短路径值为20    最短路径为：[1, 2]
1->3的最短路径值为40    最短路径为：[1, 3]
1->4的最短路径值为25    最短路径为：[1, 4]
1->5的最短路径值为40    最短路径为：[1, 4, 5]
2->0的最短路径值为25    最短路径为：[2, 4, 0]
2->1的最短路径值为20    最短路径为：[2, 1]
2->2的最短路径值为0    最短路径为：[2]
2->3的最短路径值为30    最短路径为：[2, 3]
2->4的最短路径值为10    最短路径为：[2, 4]
2->5的最短路径值为25    最短路径为：[2, 4, 5]
3->0的最短路径值为55    最短路径为：[3, 2, 4, 0]
3->1的最短路径值为40    最短路径为：[3, 1]
3->2的最短路径值为30    最短路径为：[3, 2]
3->3的最短路径值为0    最短路径为：[3]
3->4的最短路径值为40    最短路径为：[3, 2, 4]
3->5的最短路径值为55    最短路径为：[3, 2, 4, 5]
4->0的最短路径值为15    最短路径为：[4, 0]
4->1的最短路径值为25    最短路径为：[4, 1]
4->2的最短路径值为10    最短路径为：[4, 2]
4->3的最短路径值为40    最短路径为：[4, 2, 3]
4->4的最短路径值为0    最短路径为：[4]
4->5的最短路径值为15    最短路径为：[4, 5]
5->0的最短路径值为30    最短路径为：[5, 4, 0]
5->1的最短路径值为40    最短路径为：[5, 4, 1]
5->2的最短路径值为25    最短路径为：[5, 4, 2]
5->3的最短路径值为55    最短路径为：[5, 4, 2, 3]
5->4的最短路径值为15    最短路径为：[5, 4]
5->5的最短路径值为0    最短路径为：[5]

四、稀疏图的最小生成树模型（Kruskal）

Kruskal算法对边进行操作，初始最小生成树边数为0，每迭代一次就将一条满足条件的最小代价边，加入到最小生成树的边集合中。因此，Kruskal算法常用于稀疏图的最小生成树模型。

1、基本模型

以下图为例，求该图的最小生成树

 2、代码求解

import networkx as nx
#创建无向图
graph = nx.Graph()
#创建以下标为1开始的5个顶点
graph.add_nodes_from(range(1, 6))
#输入带权边的数据
edges = [(1, 2, 8), (1, 3, 4), (1, 5, 2),
         (2, 3, 4),
         (3, 4, 2), (3, 5, 1),
         (4, 5, 5)]
#输入边
graph.add_weighted_edges_from(edges)
#求解
min_tree = nx.minimum_spanning_tree(graph, weight='weight', algorithm='kruskal')
min_tree_dict = nx.get_edge_attributes(min_tree, 'weight')
tree_size = sum(min_tree_dict.values())
#输出结果
print("最小生成树为：", min_tree_dict)
print("最小生成树大小为：", tree_size)

3、输出结果

最小生成树为： {(1, 5): 2, (2, 3): 4, (3, 5): 1, (3, 4): 2}
最小生成树大小为： 9

最小生成树如下图所示

 五、稠密图的最小生成树模型（Prim）

Prim算法对节点进行操作，初始最小生成树节点为一个任意的开始节点，每迭代一次就将一个满足条件的最小代价节点，加入到最小生成树的节点集合中。因此，Prim算法常用于稠密图的最小生成树模型。

1、基本模型

以下图为例，求该图的最小生成树模型

2、 代码求解

import networkx as nx
import math
#创建无向图
graph = nx.Graph()
#创建以下标为1开始的8个顶点
graph.add_nodes_from(range(1, 9))
#输入带权边的数据
edges = [(1, 2, 1.3), (1, 3, 2.1), (1, 4, 0.9), (1, 5, 0.7), (1, 6, 1.8), (1, 7, 2.0), (1, 8, 1.5),
         (2, 3, 0.9), (2, 4, 1.8), (2, 5, 1.2), (2, 6, 2.6), (2, 7, 2.3), (2, 8, 1.1),
         (3, 4, 2.6), (3, 5, 1.7), (3, 6, 2.5), (3, 7, 1.9), (3, 8, 1.0),
         (4, 5, 0.7), (4, 6, 1.6), (4, 7, 1.5), (4, 8, 0.9),
         (5, 6, 0.9), (5, 7, 1.1), (5, 8, 0.8),
         (6, 7, 0.6), (6, 8, 1.0),
         (7, 8, 0.5)]
#输入边
graph.add_weighted_edges_from(edges)
#求解
min_tree = nx.minimum_spanning_tree(graph, weight='weight', algorithm='prim')
min_tree_dict = nx.get_edge_attributes(min_tree, 'weight')
tree_size = math.fsum(min_tree_dict.values())
#输出结果
print("最小生成树为：", min_tree_dict)
print("最小生成树大小为：", tree_size)

3、输出结果

最小生成树为： {(1, 5): 0.7, (2, 3): 0.9, (3, 8): 1.0, (4, 5): 0.7, (5, 8): 0.8, (6, 7): 0.6, (7, 8): 0.5}
最小生成树大小为： 5.2

最小生成树如下图所示

 

学习啊ZzZ
关注
  • 5
    点赞
  • 踩
  • 31
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 0
    评论
专栏目录
二十个基于 Python 的 NetworkX 图论算法库入门应用实例
全糖冲击的博客
07-08 1273
大家好，最近我在美丽的重庆度过了一段美好的学习时光。重庆以其独特的山城地貌和美食闻名，而在火锅和享受美食之余，这里的项目学习激发了我对图论的兴趣。图论是一门既古老又新兴的学科，它在计算机科学、网络分析、社会网络、物流优化等领域有着广泛的应用。而 Python 的 NetworkX 库，则是进行图论算法研究和应用的利器。今天，我将带大家一起探讨如何利用 NetworkX 库进行图论算法的入门学习，并通过丰富的实际应用实例，帮助大家更好地理解和掌握这门技术。
networkx，一个超强的 Python 库！
ql1314xjt的博客
03-14 1191
NetworkX 是一个基于 Python 的图论和网络分析库，它提供了丰富的数据结构和算法，用于创建、操作和研究各种类型的图。灵活的数据结构：NetworkX 支持多种类型的图，包括无向图、有向图、加权图等，以及节点和边的属性。丰富的算法：NetworkX 提供了大量的图论算法，包括图的遍历、最短路径、社区发现、中心性等，满足各种网络分析需求。可视化支持：NetworkX 提供了简单易用的可视化工具，用于绘制和展示复杂网络结构，帮助用户直观地理解和分析数据。
python networkx 安装包及安装步骤
08-04
python networkx 安装包及安装步骤
NetworkX网络分析综合指南
新缸中之脑
06-06 1471
NetworkX 是一个功能强大的开源 Python 库，可让用户创建、操作、分析和可视化复杂网络。它提供了一种灵活高效的数据结构来表示和探索图形，使其成为处理网络数据的研究人员、数据科学家和工程师的宝贵工具。一组丰富的图操作算法网络分析措施和指标图生成和导入/导出功能对网络可视化的广泛支持与流行的 Python 库兼容，例如 NumPy、pandas 和 matplotlibplt.show()
python基础 Networkx
weixin_38257309的博客
02-21 1095
Networkx 1.介绍 “用于复杂网络高生产力软件”的分析模块 可以表示各种网络（有向、无向、多图）的数据结构 极高的灵活性：节点可以是python中任意对象，边可以包含任意数据 图形算法的宝库 多平台，易于使用 2.安装 pip install networkx 3.无向图 import networkx as nx g = nx.Graph() # 添加结点 for i in range(1,6): g.add_node(i) print(g.nodes()) # 输出结点 [
python networkx_python3 networkx
weixin_39621860的博客
12-05 390
一.networkx1.用于图论和复杂网络2.官网：http://networkx.github.io/3.networkx常常结合numpy等数据处理相关的库一起使用，通过matplot来可视化图二.绘制图1.创建图1 importnetworkx as nx2 importmatplotlib.pyplot as plt34 G=nx.Graph()#创建空图，无向图5 #G1=nx.DiGr...
python基础 - networkx 绘图总结
热门推荐
Rnan_prince的博客
06-14 4万+
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。 利用networkx可以以标准化和非标准化的数据格式存储网络、生成多种随机网络和经典网络、分析网络结构、建立网络模型、设计新的网络算法、进行网络绘制等。 networkx支持创建简单无向图、有向图和多重图（multigraph）；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，简单易用。 networkx以图（graph）为基本数据
图论-networkx
Tiko的博客
03-04 83
文章目录networkx networkx 一个在python中关于图论算法的库 中文参考地址
数学建模：图论模型的 Python 求解 — NetworkX 简介
Charles Leclerc's blog
05-14 1564
NetworkX 的基本用法常用函数画图nx.draw_networkxnx.draw其它参数图形布局设置NetworkX 画图示例例 1: 画无向图例 2: 画有向图图数据的导出 NetworkX 的基本用法 常用函数 import numpy as np import networkx as nx import pylab as plt Graph() #创建无向图 Graph(A) #由邻接矩阵A创建无向图 DiGraph() #创建有向图 DiGraph(A) #由邻接矩阵A创建有向图
Python NetworkX使用2——基础绘图及遍历
qq_36540451的博客
01-14 2753
Python NetworkX使用2——基础绘图及遍历 文章目录Python NetworkX使用2——基础绘图及遍历1. import package2. Traverse points and corresponding neighbors and edgs3. Simple drawing4. Advanced ploting 1. import package import network...
Python 图论算法实现工具——NetworkX1
08-03
【Python 图论算法实现工具——NetworkX1】这篇文章主要介绍了Python中用于图论算法实现的工具NetworkX。NetworkX是一个强大的Python软件包，专门用于处理复杂网络的结构、动力学和功能。它支持多种图类型，如无向图...
Python图论算法实现工具——NetworkX（3）有向图、多图等图生成器及图的可视化1
08-03
【Python图论算法实现工具——NetworkX（3）有向图、多图等图生成器及图的可视化1】 在图论中，图形是数据结构的一种抽象表示，用于描述对象之间的关系。Python中的NetworkX库提供了对各种图类型的支持，包括有向图...
NETWORKX无向图操作_networkx_python_
10-01
在Python的世界里，NetworkX是一个强大的图形库，用于创建、操作和研究复杂网络的结构、动态和功能。本文将深入探讨如何使用NetworkX处理无向图。无向图是图论中的基本概念，其中任意两个节点之间的边没有方向性。 ...
Python 强大的图论和网络研究工具 networkx代码
09-03
对应的博客的代码，懒得编辑成文章，直接传代码上来吧。使用的环境是Python2.7， 用的ipython notebook。可以一条一条的运行学习networkx
Python-networkx库的五种layout（图形布局）
major_in_data_的博客
02-04 7356
network 库内置五种图形布局设置： circular_layout:顶点在一个圆环上均匀分布 random_layout:顶点随机分布 shell_layout：顶点在同心圆上分布 spring_layout:用Fruchterman-Reingold算法排列顶点 spectral_layout:根据图的Laplace特征向量排列顶点 ...
Selenium与WebDriver：Errno 8 Exec格式错误的多种解决方案
ip16yun的博客
07-30 430
在使用Selenium和WebDriver进行网页自动化时，可能会遇到各种错误。其中一个常见问题是执行格式错误（Errno 8 Exec format error）。这个错误通常在运行ChromeDriver时出现，错误提示涉及路径中的某个文件。本文将概述这个问题的背景，并提供多种解决方案，包括如何使用代理IP技术进行数据抓取。
python字符串数据容器练习（replace,split,count）
最新发布
2301_79600015的博客
07-31 499
Python字符串是由一系列字符组成的数据类型。在Python中，字符串是不可变的，这意味着一旦创建了一个字符串，就不能修改它的内容。以下是关于Python字符串的一些重要知识点：1. 字符串的基本操作：拼接字符串：使用`+`运算符。重复字符串：使用`*`运算符。索引和切片：使用`[]`和`:`操作符访问字符串中的子串。长度：使用`len()`函数获取字符串长度。转换大小写：使用`upper()`和`lower()`方法。分割和连接：使用`split()`和`join()`方法。
loguru日志模块：简化Python自动化测试的日志管理！
07-29 877
日志是软件开发中的关键组成部分，为开发和测试人员提供了调试和监控应用程序的重要手段。loguru 是一个第三方的 Python 日志库，以其简洁的 API 和自动化的功能脱颖而出。本文将探讨为什么项目中需要日志，loguru 为何受到青睐，以及如何封装和在接口自动化测试项目中使用 loguru，同时结合 Allure 生成丰富的测试报告。
python networkx
08-29
Python的networkx是一个图论与复杂网络建模工具。它提供了一套方便的算法和工具，用于分析和建模复杂网络数据。networkx支持创建无向图、有向图和多重图，可以存储和处理不同类型的节点和边。此外，它还提供了多种布局算法和绘图工具，使用户可以可视化网络结构。它还支持从文件和数据库中读取网络数据。通过networkx，用户可以进行复杂网络分析、仿真建模等工作。<span class="em">1</span><span class="em">2</span><span class="em">3</span> #### 引用[.reference_title] - *1* *2* *3* [python基础 - networkx 绘图总结](https://blog.csdn.net/qq_19446965/article/details/106745837)[target="_blank" data-report-click={"spm":"1018.2226.3001.9630","extra":{"utm_source":"vip_chatgpt_common_search_pc_result","utm_medium":"distribute.pc_search_result.none-task-cask-2~all~insert_cask~default-1-null.142^v93^chatsearchT3_2"}}] [.reference_item style="max-width: 100%"] [ .reference_list ]
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

学习啊ZzZ

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值