python-igraph创建网络（图）

最新推荐文章于 2024-03-05 21:51:10 发布
最新推荐文章于 2024-03-05 21:51:10 发布
阅读量9k 收藏 68
点赞数 13
分类专栏： 智能计算及系统
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/zwlforever/article/details/112386828
版权

python-igraph创建网络（图）


igraph包含了很多创建网络和显示网络的功能，后面专门讲述绘制网络功能，这边为了查看方便，先plot函数绘制网络

1.网络布局

1)layout_bipartite(types="type", hgap=1, vgap=1, maxiter=100)放置二分图到两个层，types为定点类型，hgap为最小水平间隔，vgap为垂直间隔，maxiter为最大迭代次数
2)layout_circle(dim=2, order=None)放置顶点到圆或球表面，dim为维度，order顶点顺序，layout_sphere(*args, **kwds)和layout_circle()为其简化版
3)layout_davidson_harel(seed=None, maxiter=10, fineiter=-1,cool_fact=0.75, weight_node_dist=1.0, weight_border=0.0,weight_edge_lengths=-1, weight_edge_crossings=-1,weight_node_edge_dist=-1)采用Davidson-Harel算法放置顶点到二维空间，seed为初始位置，maxiter为迭代次数，fineiter为精细调整迭代次数，cool_fact为冷却系数，weight_node_dist顶点-顶点距离权重，weight_border边沿距离权重，weight_edge_lengths为边距离权重， weight_edge_crossings边交叉权重，weight_node_edge_dist顶点-边距离权重
4)layout_drl(weights=None, fixed=None, seed=None, options=None, dim=2)采用DrL算法放置顶点到二维或三维空间，适用于大图，weights为边权重，seed为其实位置，fixed指定固定位置顶点，options为可选参数，dim为维度
5)layout_fruchterman_reingold(weights=None, niter=500, seed=None,start_temp=None, minx=None, maxx=None, miny=None, maxy=None,minz=None, maxz=None, grid="auto")用Fruchterman-Reingold算法放置顶点到二维平面，weights为边权重，nier为迭代次数，start_temp起始温度，minx/maxx/miny/maxy/minz/maxz为坐标范围，seed为起始位置，grid是否启用网格位置提升速度，layout_fruchterman_reingold_3d(*args, **kwds)和layout_fruchterman_reingold()为其简化版
6)layout_graphopt(niter=500, node_charge=0.001, node_mass=30,spring_length=0, spring_constant=1, max_sa_movement=5, seed=None)每个顶点定义吸引力和排斥力进行顶点布局，niter为迭代次数，node_change为顶点改变量用于计算排斥力，node_mass为顶点质量，计算弹力，spring_length计算弹簧长度，spring_constant弹簧系数，max_sa_movement单步允许最大移动量，seed初始位置
7)layout_grid(width=0, height=0, dim=2)放置顶点到二维或三维网格，width为每个定点数，height为每列定点数，dim为维度，layout_grid_3d(*args, **kwds)和layout_grid()为其简化版
8)layout_kamada_kawai(maxiter=1000, seed=None, maxiter=1000,epsilon=0, kkconst=None, minx=None, maxx=None, miny=None,maxy=None, minz=None, maxz=None, dim=2)根据kamada_kawai算法放置顶点到平面，maxiter为最大迭代次数，seed为None开始随机放置，为矩阵时为初始位置，epsilon系统能量改变小于该值时停止迭代，kkconst为顶点吸引常数，minx/maxx/miny/maxy/minz/maxz为三维坐标的范围，dim为布局维度，layout_kamada_kawai_3d(*args, **kwds)和layout_kamada_kawai()为其简化版
9)layout_lgl(maxiter=150, maxdelta=-1, area=-1, coolexp=1.5,repulserad=-1, cellsize=-1, root=None)根据大图布局方法将顶点放置到二维平面中，maxiter为迭代次数，maxdelta为每次迭代时最大移动距离，area顶点放置的区域大小，coolexp模拟退火系数，repulserad确定顶点-顶点排斥半径，cellsize确定格点大小，root最早放置的顶点
10)layout_mds(dist=None, dim=2, arpack_options=None)将顶点部署在给定距离矩阵的二维或三维平面中，dist为顶点对称距离矩阵，dim为维度
11)layout_random(dim=2)随机布局图顶点到二维画布
12)layout_random_3d(*args, **kwds)随机布局图顶点到三维画布
13)layout_random()随机布局图顶点到二维画布
14)layout_reingold_tilford(mode="out", root=None, rootlevel=None)以Reingold-Tilford布局算法将顶点放置到二维平面，这是一个树形布局方式。如果给定的图不是一棵树，将会采用广度优先搜索算法获得展开树。mode为指定那些边需要考虑，可以为OUT/IN/ALL，root给定根节点，rootlevel用于绘制森林时指定树的高度
15)layout_reingold_tilford_circular(mode="out", root=None,rootlevel=None)按照环形Reingold-Tilford布局算法显示树结构
16)layout_star(center=0, order=None)以星型方式布局，center为放在中心的顶点ID，order顶点列表顺序否则按升序放置
17)layout_sugiyama(layers=None, weights=None, hgap=1, vgap=1,maxiter=100, return_extended_graph=False)采用层叠Sugiyama布局方式放置顶点，大多数在有向非周期图是使用，每个顶点放到一个层，每个层放到水平线上。layers为每个顶点的层列表，weights为每个边的属性名，hgap为最小水平间隔，vgap垂直间隔，maxiter为迭代次数。
18)layout(self, layout=None, *args, **kwds)。Graph类提供了通用的layout方法，通过参数实现以上所有的layout,具体包括auto、bipartite、circle、dh、drl、drl_3d、fr、fr_3d、grid、grid_3d、graphopt、kk、kk_3d、lgl、mds、random、random_3d、rt、rt_circular、sphere、star、sugiyama。
19）layout_auto(self, *args, **kwds)自动根据网络属性和特性选择layout方式

2.显示网络

  1. igraph.drawing.plot(obj, target=None, bbox=(0, 0, 600, 600), *args, **kwds)是基本的网络显示函数。obj：要绘制的网络对象;target：可以是None（自动创建画布）、cairo.Surface对象（具体可以使PNG图片、任意窗口对象、SVG文件或其它Cairo可以处理的对象）、string（字符串形式给出的PNG/PDF/SVG/PostScript文件）;bbox：画布边框，可以以二元组给出高度和宽度，四元组给出两个对角线坐标，如果是PNG或屏幕绘制以像素为单位，如果是PDF/SVG/PostScript绘制以点为单位：72pt=1inch=2.54cm;opacity：不透明度（0~1），当需要将多个图绘制到同一个画布时可以重叠在一起;palette：调色板;margin：以四元组形式给出画布上下左右空白区域大小
    2)Graph本身具有__plot__(self, context, bbox, palette, *args, **kwds)方法，但是不会直接调用，而是用前述的函数间接调用。

3.保存网络

GraphBase和Graph均提供了保存网络的方法或函数，通常直接调用Graph的方法，下面直接给出所有的方法或函数列表，读取和写入基本一一对应，就没有再给出。
GraphBase保存图的方法
1)write_dimacs(f, source, target, capacity=None) ***以DIMACS格式保存图到文件，f为文件名，source为顶点ID，target为目标ID，capacity为列表中边的容量
2)write_dot(f )以DOT格式保存图到文件，DOT格式是GraphViz软件使用的格式
3)write_edgelist(f )以边列表形式保存图到文件，f为文件名
4)write_gml(f, creator=None, ids=None)以GML格式保存图，f为文件名，creator可选创建者信息，ids为可选写入顶点列表
5)write_graphml(f )以GraphML格式保存图，f为文件名
6)write_leda(f, names="name", weights="weights")以LEDA本地格式保存图到文件，LEDA格式的每个顶点和边都最多支持一个属性但是没有保存属性名，f为文件名，names为需要保存的顶点名列表，weights为需要保存的边权重属性名
7)write_lgl(f, names="name", weights="weights", isolates=True)以lgl格式写图的边列表到文件，不允许写多重边图，f为文件名，names为需要保存的顶点名列表，weights为需要保存的边权重属性名，isolates指示是否写入孤立顶点
8)write_ncol(f, names="name", weights="weights")以.ncol格式将图的边列表写到文件，不允许写多重边图，f为文件名，names为需要保存的顶点名列表，weights为需要保存的边权重属性名
9)write_pajek(f)以Pajeck格式保存图到文件
Graph保存图的方法
基本和GraphBase一一对应，以对象方法的形式提供
10)write_adjacency(self, f, sep=’ ’, eol=’\n’, *args, **kwds)写邻接矩阵到文件，f为文件名，sep为矩阵元素间隔符，eol为矩阵行间隔符
11)write_dimacs(self, f, source=None, target=None, capacity=’capacity’)以DIMACS格式保存图，覆盖同名函数
12)write_graphmlz(self, f, compresslevel=9)以GraphML格式保存图，f为文件名，compresslevel为压缩级别
13)write_pickle(self, fname=None, version=-1)以Python picled格式保存图，fname为文件名，version为pickle协议版本号
14)write_svg(self, fname, layout=’auto’, width=None, height=None, labels=’label’, colors=’color’, shapes=’shape’, vertex_size=10, edge_colors=’color’, edge_stroke_widths=’width’, font_size=16, *args, **kwds)以SVG格式保存图，可以用Inkscape打开编辑，fname为文件名，layout为图的布局（可以使坐标对列表或layout算法名），width为pixel为单位宽度，height为以pixel为单位的高度，labels顶点标签（顶点属性名或直接以列表具体给出），colors为顶点颜色（顶点属性名或直接以列表具体给出），shapes为顶点形状（顶点属性名或形状编号），vertex_size为以pixel给出的顶点大小，edge_colors边颜色（边属性名或直接以列表具体给出），edge_stroke_widths边宽度（边属性名或直接以列表具体给出），font_size为字体大小
15)save(self, f, format=None, *args, **kwds)支持以上所有的保存方法，其通过f的扩展名识别调用的具体图保存方法，f为包含扩展名的文件名，format通过字符串制定具体保存格式（None从文件名推断，adjacency以邻接矩阵格式，dimacs以DIMACS格式，dot或graphviz以GraphViz DOT格式，edgelist/edges/edge以数值边列表格式，gm以GML格式，graphml/graphmlz以标准GraphML格式，gw/leda/lgr以LEDA本地格式，lgl以LGL格式，ncol以NCOL格式，net/pajek以Pajek格式，pickle/picklez以标准Python pickled格式，svg以SVG格式），其它参数则直接传递给底层的保存方法。
16)write和save具有相同的功能，
17)load和read具有相同功能，且对应于保存图格式的方式读取图。

4.创建网络

1）.默认构造函数创建
__init__(n=0, edges=None, directed=False, graph_attrs=None,vertex_attrs=None, edge_attrs=None)给出顶点数、边列表、方向标志、图属性、节点属性、边属性
实例：

import igraph as ig
g=ig.Graph(n=8,edges=[(0,1),(1,2),(2,3),(3,4),(4,5),(5,6),(6,7),(7,0)],directed=True,graph_attrs="graph_name":"cicle"},vertex_attrs={"id":[0,1,2,3,4,5,6,7]})
g.layout_grid()
ig.plot(g,"d:\\tmp.png",bbox=(1200,1200),opacity=0.5,margin=(10,10,10,10))

生成的网络
2.连接矩阵创建图，给出邻接矩阵和创建模式
Adjacency(matrix, mode=ADJ_DIRECTED)以连接矩阵形式创建有向或无向网络，matrix以二维矩阵形式给出连接矩阵，mode可以是字符串或常数形式的网络类型

import igraph as ig
g=ig.Graph.Adjacency(matrix=[[0,1,1,1],[1,0,1,1],[1,1,0,1],[1,1,1,0]],mode="DIRECTED")
g.layout_grid()
ig.plot(g,"d:\\tmp.png",bbox=(1200,1200),opacity=0.9,margin=(10,10,10,10))

网络输出结果
在这里插入图片描述
3.非对称定点类型和连接分布创建图
Asymmetric_Preference(n, type_dist_matrix, pref_matrix,attribute=None, loops=False)n给出定点数，type_dist_matrix为定点类型联合分布，pref_matrix为不同顶点类型间的连接分布

import igraph as ig
g=ig.Graph.Asymmetric_Preference(n=4,type_dist_matrix=[[0,1,1,1],[1,0,1,1],[1,1,0,1],[1,1,1,0]],pref_matrix=[[0,1,1,1],[1,0,1,1],[1,1,0,1],[1,1,1,0]])
g.layout_grid()
ig.plot(g,"d:\\tmp.png",bbox=(1200,1200),opacity=0.9,margin=(10,10,10,10))

产生的网络输出
在这里插入图片描述
4.产生Atlas图
Atlas(idx )根据索引产生Atlas图，idx为从0开始的索引

import igraph as ig
g=ig.Graph.Atlas(1000)
g.layout_grid()
ig.plot(g,"d:\\tmp.png",bbox=(1200,1200),opacity=0.9,margin=(10,10,10,10))

输出网络
在这里插入图片描述
5.基于 Barabasi-Albert模型产生图
Barabasi(n, m, outpref =False, directed=False, power=1, zero_appeal=1,implementation="psumtree", start_from=None)
n为顶点数，m为每个顶点引出的平均边数，outpref出度是否随着入度增加，directed是否有向图，power非线性模型的幂常数，zero_appeal零度顶点的引力，implementation产生网络的算法，start_from为起始图。

import igraph as ig
g=ig.Graph.Barabasi(100,3,outpref=True,directed=True)
g.layout_grid()
ig.plot(g,"d:\\tmp.png",bbox=(1200,1200),opacity=0.9,margin=(10,10,10,10))

生成的网络为
在这里插入图片描述
6.Bruijn图
De_Bruijn(m, n)产生具有m^n个节点的Bruijn图

import igraph as ig
g=ig.Graph.De_Bruijn(2,10)
g.layout_grid()
ig.plot(g,"d:\\tmp.png",bbox=(1200,1200),opacity=0.9,margin=(10,10,10,10))

产生的图为
在这里插入图片描述
7.根据度序列产生图
Degree_Sequence(out, in=None, method="simple")产生具有特定度序列的图,out为出度序列，in为入度序列，method为生成方法

import igraph as ig
g=ig.Graph.Degree_Sequence(out=[2,2,2,4])
g.layout_grid()
ig.plot(g,"d:\\tmp.png",bbox=(1200,1200),opacity=0.9,margin=(10,10,10,10))

在这里插入图片描述
8.ER随机图
Erdos_Renyi(n, p, m, directed=False, loops=False)根据Erdos-Renyi模型生成随机图，n为顶点个数，p为边概率，m为边数，directed是否产生有向图，loops是否允许自环。给定p是就不要给定m，给定m就不要给定p。

import igraph as ig
g=ig.Graph.Erdos_Renyi(n=100,p=0.3)
g.layout_grid()
ig.plot(g,"d:\\tmp.png",bbox=(1200,1200),opacity=0.9,margin=(10,10,10,10))

生成的网络
在这里插入图片描述
9.根据生长模型产生图
Establishment(n, k, type_dist, pref_matrix, directed=False)基于简单生长模型采用定点类型生产图，n为顶点数，k为每步试图新增边数，type_dist为顶点类型，pref_matrix为不同顶点类型的连接概率分布。

import igraph as ig
g=ig.Graph.Establishment(n=100,k=10,type_dist=[1,1,2],pref_matrix=[[0,1,1],[1,0,1],[1,1,0]])
g.layout_grid()
ig.plot(g,"d:\\tmp.png",bbox=(1200,1200),opacity=0.9,margin=(10,10,10,10))

在这里插入图片描述

10.产生典型图
Famous(name)产生典型图，name为字符串形式图名。

import igraph as ig
g=ig.Graph.Famous("Chvatal")
g.layout_grid()
ig.plot(g,"d:\\tmp.png",bbox=(1200,1200),opacity=0.9,margin=(10,10,10,10))

产生的图输出
在这里插入图片描述

11.根据林火模型产生图
Forest_Fire(n, fw_prob, bw_factor=0.0, ambs=1, directed=False)是一个生长模型，n为顶点数，fw_prob为向前燃烧概率，bw_factor为前向和后向燃烧概率比。

import igraph as ig
g=ig.Graph.Forest_Fire(n=100,fw_prob=0.8)
g.layout_grid()
ig.plot(g,"d:\\tmp.png",bbox=(1200,1200),opacity=0.9,margin=(10,10,10,10))

生产的图
在这里插入图片描述

12.产生完全图
Full(n, directed=False, loops=False)产生完全图，n为顶点数

import igraph as ig
g=ig.Graph.Full(n=50)
g.layout_grid()
ig.plot(g,"d:\\tmp.png",bbox=(1200,1200),opacity=0.9,margin=(10,10,10,10))

生产的图输出
在这里插入图片描述

13.产生完全引用图
Full_Citation(n, directed=False)产生引用图，n为顶点数

import igraph as ig
g=ig.Graph.Full_Citation(n=10)
g.layout_grid()
ig.plot(g,"d:\\tmp.png",bbox=(1200,1200),opacity=0.9,margin=(10,10,10,10))

产生的完全引用图
在这里插入图片描述
14.产生生长随机图
Growing_Random(n, m, directed=False, citation=False)基于生长模型产生随机图，n为顶点数，m为每步增加的边数，directed指示是否有向，citation指示新增加的边必须由最近新增的顶点产生。

import igraph as ig
g=ig.Graph.Growing_Random(n=100,m=2)
g.layout_grid()
ig.plot(g,"d:\\tmp.png",bbox=(1200,1200),opacity=0.9,margin=(10,10,10,10))

产生的网络
在这里插入图片描述

15.给定同构类产生图
Isoclass(n, class, directed=False)根据同构类产生图，n为顶点数，class为同构类

16.产生K规则随机图
K_Regular(n, k, directed=False, multiple=False)产生k规则随机图，n为顶点数，k为每个顶点度

import igraph as ig
g=ig.Graph.K_Regular(10,k=3)
g.layout_grid()
ig.plot(g,"d:\\tmp.png",bbox=(1200,1200),opacity=0.9,margin=(10,10,10,10))

产生的规则图
在这里插入图片描述
17.产生Kautz图
Kautz(m, n)产生Kautz图，m为字母表大小减1，n为字符串长度减1

import igraph as ig
g=ig.Graph.Kautz(m=5,n=2)
g.layout_grid()
ig.plot(g,"d:\\tmp.png",bbox=(1200,1200),opacity=0.9,margin=(10,10,10,10))

产生的Kautz图为
在这里插入图片描述

18.根据LCF记号产生图
LCF(n, shifts, repeats)根据LCF记号产生图，n为顶点数，shifts为偏移列表或元组，repeats为重复次数

import igraph as ig
g=ig.Graph.LCF(n=100,shifts=[1,2],repeats=10)
g.layout_grid()
ig.plot(g,"d:\\tmp.png",bbox=(1200,1200),opacity=0.9,margin=(10,10,10,10))

产生的图为
在这里插入图片描述
19.产生规则网格图
Lattice(dim, nei=1, directed=False, mutual=True, circular=True)产生网格图，dim为网格维度，nei为两个顶点距离，directed是否有向图

import igraph as ig
g=ig.Graph.Lattice(dim=[10,10])
g.layout_grid()
ig.plot(g,"d:\\tmp.png",bbox=(1200,1200),opacity=0.9,margin=(10,10,10,10))

产生的网格图
在这里插入图片描述
20.根据顶点类型和连接分布产生图
Preference(n, type_dist, pref_matrix, attribute=None, directed=False,loops=False)根据定点类型和连接概率产生图，n为顶点个数，type_dist为类型分布，pref_matrix为连接偏好

import igraph as ig
g=ig.Graph.Preference(n=100,type_dist=[1,2],pref_matrix=[[0.1,0.9],[0.9,0.1]])
g.layout_grid()
ig.plot(g,"d:\\tmp.png",bbox=(1200,1200),opacity=0.9,margin=(10,10,10,10))

产生的图为
在这里插入图片描述
21.基于随机模型产生边分布图
Recent_Degree(n, m, window, outpref =False, directed=False, power=1)基于一个随机模型产生图，n为顶点数，m为每个顶点的出度，windows为每个时间步的窗口大小

import igraph as ig
g=ig.Graph.Recent_Degree(n=100,m=3,window=2)
g.layout_grid()
ig.plot(g,"d:\\tmp.png",bbox=(1200,1200),opacity=0.9,margin=(10,10,10,10))

产生的图
在这里插入图片描述

22.产生环形图
Ring(n, directed=False, mutual=False, circular=True)产生环图，n为顶点数量

import igraph as ig
g=ig.Graph.Ring(n=100)
g.layout_grid()
ig.plot(g,"d:\\tmp.png",bbox=(1200,1200),opacity=0.9,margin=(10,10,10,10))

产生的图
在这里插入图片描述

23.根据随机块模型产生图
SBM(n, pref_matrix, block_sizes, directed=False, loops=False)根据随机块模型产生图，n为顶点数，pref_matrix为不同顶点连接概率分布，block_size为每个块的顶点数。

import igraph as ig
g=ig.Graph.SBM(n=100,pref_matrix=[[0.1,0.9],[0.9,0.1]],block_sizes=[30,70])
g.layout_grid()
ig.plot(g,"d:\\tmp.png",bbox=(1200,1200),opacity=0.9,margin=(10,10,10,10))

产生的图
在这里插入图片描述

24.产生星型图
Star(n, mode="undirected", center=0)产生星型图，n为顶点数

import igraph as ig
g=ig.Graph.Star(n=100)
g.layout_grid()
ig.plot(g,"d:\\tmp.png",bbox=(1200,1200),opacity=0.9,margin=(10,10,10,10))

产生的星型图
在这里插入图片描述

25.根据边概率产生非生长图
Static_Fitness(m, fitness_out, fitness_in=None, loops=False,multiple=False)产生正比于顶点适应度的边分布的图，m为边数，fitness_out为顶点适应度

import igraph as ig
g=ig.Graph.Static_Fitness(m=10,fitness_out=[1,1,1,1,1])
g.layout_grid()
ig.plot(g,"d:\\tmp.png",bbox=(1200,1200),opacity=0.9,margin=(10,10,10,10))

产生的图
在这里插入图片描述

26.产生幂率图
Static_Power_Law(n, m, exponent_out, exponent_in=-1, loops=False,multiple=False, finite_size_correction=True)产生具有特定顶点数和边数且遵循幂率度分布的图

import igraph as ig
g=ig.Graph.Static_Power_Law(n=50,m=200,exponent_out=2.1)
g.layout_grid()
ig.plot(g,"d:\\tmp.png",bbox=(1200,1200),opacity=0.9,margin=(10,10,10,10))

产生的图
在这里插入图片描述

27.产生树
Tree(n, children, type=TREE_UNDIRECTED)根据顶点数和孩子数产生树，n为顶点数，children为孩子数

import igraph as ig
g=ig.Graph.Tree(n=100,children=10)
g.layout_grid()
ig.plot(g,"d:\\tmp.png",bbox=(1200,1200),opacity=0.9,margin=(10,10,10,10))

产生的树
在这里插入图片描述

28.产生Watts_Strogatz图
Watts_Strogatz(dim, size, nei, p, loops=False, multiple=False)产生Watts_Strogatz图，dim为维度，size为各维大小，nei为格点距离，p为重连概率

import igraph as ig
g=ig.Graph.Watts_Strogatz(dim=2,size=10,nei=1,p=0.1)
g.layout_grid()
ig.plot(g,"d:\\tmp.png",bbox=(1200,1200),opacity=0.9,margin=(10,10,10,10))

产生的网络
在这里插入图片描述

29.根据权重矩阵产生图
Weighted_Adjacency(matrix, mode=ADJ_DIRECTED, attr="weight",loops=True)根据连接矩阵产生图，matrix为连接矩阵，mode为图的模式

import igraph as ig
g=ig.Graph.Weighted_Adjacency(matrix=[[0,1,2,3],[1,0,1,2],[1,1,0,4],[1,1,1,0]],mode="DIRECTED")
g.layout_grid()
ig.plot(g,"d:\\tmp.png",bbox=(1200,1200),opacity=0.9,margin=(10,10,10,10))

产生的图
在这里插入图片描述

未完待续

30.DictList(klass, vertices, edges, directed=False, vertex_name_attr=’name’,edge_foreign_keys=(’source’, ’target’), iterative=False)
31.TupleList(klass, edges, directed=False, vertex_name_attr=’name’,edge_attrs=None, weights=False)
32.Formula(Graph, formula=None, attr="name", simplify=True)
33.Bipartite(types, edges, directed=False)
34.Full_Bipartite(n1, n2, directed=False, mode=ALL)
35.Random_Bipartite(n1, n2, p=None, m=None, directed=False,neimode=ALL)
36.GRG(n, radius, torus=False, return_coordinates=False)
37.Incidence(matrix, directed=False, mode=ALL, multiple=False,weighted=None)
38.DataFrame(edges, directed=True, vertices=None)
39.bipartite_projection(self, types=’type’, multiplicity=True, probe1=-1,which=’both’)
40.from_networkx(klass, g)和to_networkx(self )可以在networkx和igraph网络格式之间相互转换。
41.从连接矩阵文件读取图
import igraph as ig
g=ig.Graph.Weighted_Adjacency(matrix=[[0,1,2,3],[1,0,1,2],[1,1,0,4],[1,1,1,0]],mode=“DIRECTED”)
g.layout_grid()
ig.plot(g,“d:\tmp.png”,bbox=(1200,1200),opacity=0.9,margin=(10,10,10,10))
g.save(“d:\test.Adjacency”,format=“adjacency”)
f=ig.load(“d:\test.Adjacency”,format=“adjacency”)
ig.plot(f)
其它方式均相同，可以保存图到文件，并读取
42.从DIMACS文件读取图
43.从UCINET DL文件读取图
44.读取边列表文件创建图
45.读取GML文件创建图
46.读取GraphDB格式文件创建图
47.读取GraphML格式文件创建图
48.读取LGL格式文件创建图
49.读取Pajek格式文件创建图

zwlforever
关注
  • 13
    点赞
  • 踩
  • 68
    收藏
    觉得还不错? 一键收藏
  • 4
    评论
专栏目录
利用Python-iGraph如何绘制贴吧/微博的好友关系图详解
09-21
主要给大家介绍了关于利用Python-iGraph如何绘制贴吧/微博好友关系图的相关资料，文中显示介绍了在windows系统下安装python-igraph的步骤，然后通过示例代码演示了绘制好友关系图的方法，需要的朋友可以参考下。
python-igraph:igraph的Python界面
03-25
igraph库的Python接口 igraph是用于创建和处理图的库。 它旨在尽可能强大（即快速）以实现对大图的分析。 该存储库包含igraph的Python接口的源代码。 您可以了解有关python-igraph的更多信息。 从PyPI安装 我们的目标是为大多数库存的Python版本提供有关PyPI的信息； 通常是Python 3.x最新的三个次要版本。 因此，运行以下命令应该可以工作，而无需在安装过程中编译任何内容： $ pip install python-igraph 请参阅详细信息。 在Debian / Ubuntu及其衍生版本上通过pip从源代码安装 如果出于某种原因需要从源代码编译python-igraph，则需要先安装一些依赖项： $ sudo apt install build-essential python-dev libxml2 libxml2-dev zl
Igraph入门指南 1
最新发布
hartfo的博客
03-05 957
图是顶点和边的集合，而边是通过顶点来描述。顶点和边，要用集合的理念去操作。
python-igraph python2.7 win64
04-02
python-igraph python2.7 数据分析和可视化绘图库 win64
【Python百宝箱】挑战网络分析：NetworkX、iGraph、Graph-tool、Snap.py 和 PyGraphviz详细评测
记录我的学习历程
12-12 1460
网络分析是研究网络结构、节点关系和信息传播的重要领域，Python 提供了多个强大的库，方便进行复杂网络的研究和分析。本文将介绍 NetworkX、iGraph、Graph-tool、Snap.py 和 PyGraphviz 这五大库的功能、用法和特点。从创建网络图到社区检测、动态网络分析和图形可视化，深入探讨这些工具提供的各种功能，以及它们在实际应用中的表现。
社交网络分析（igraph）
weixin_41931965的博客
11-06 8704
社交网络算法可以识别强关系网络，若关系网络；基于好友关系为用户推荐商品或内容；社交网络中人物影响力的计算；金融行业中的反欺诈预测等等方面。 安装igraph pip install -U python-igraph 如果出现了错误，可以先下载下来，再安装：http://www.lfd.uci.edu/~gohlke/pythonlibs/ pip install wheel pip i...
Unity支持的常用语义
weixin_45488182的博客
01-05 832
从应用阶段传递模型数据给顶点着色器 POSITION：模型空间中的顶点位置，通常是float4类型 NORMAL：顶点法线，通常是float3类型 TANGENT：顶点切线，通常是float4类型 COLOR：顶点颜色，通常是fixed4或float4类型 TEXCOORDn,如TEXCOORD0、TEXCOORD1：该顶点的纹理坐标，TEXCOORD0表示第一组纹理坐标，依此类推，通常是float2或float4类型 其中TEXCOORDn中n的数目是和Shader Model有关的，例如一般在Shade
python与图论的桥梁——igraph
tikitakaka的博客
12-13 2713
之前收集到一个关于纽约市全年出租车的数据集，于是想到，我们是不是可以用这个数据集来研究一下纽约市中各个社区之间的关联度？为了研究这个问题，就需要使用python来建立一些图论模型。 igraph是python/R等语言中常用的建立图模型的模块。接下来首先对igraph模块做一个简要介绍，然后对纽约市的出租车数据进行建模。 一、igraph 首先我们导入所需的包 import pandas as p...
igraph入门教程
热门推荐
p3116002589的博客
07-15 1万+
python-igraph的基本操作 参考：python-igraph官网教程 ps： 在jupyter上运行后直接导出的md，可能有点乱码 部分翻译靠的是机翻，勿细究 更多的教程在igraph的官网上，链接已给出 import igraph print(igraph.__version__) 0.9.6 from igraph import * g = Graph() g print(g) IGRAPH U--- 0 0 -- g.add_vertices(3) # 添加节点 g.add_e
Shader
WINDGRIN23313的博客
02-23 829
https://zhuanlan.zhihu.com/p/426530377 语意绑定，赋给Shader输入和输出的字 符串 可以理解成描述 POSITION 顶点位置 SV_POSITION（system value）：修饰顶点着色器的输出变量pos, 表示pos包含了可用于光栅化的变换后的顶点坐标（即齐次裁剪空间中的坐标）用这些语义描述的变批是不可以随便赋值的。这个最终的顶点位置就被固定了，不得改变。 SV_Target ：用于fragment函数着色器颜色输出的语义。把返回值放入GPU中模型..
Shader相关笔记
qq_25670983的博客
12-07 2211
Shader中的texcoord –[[ texcoord取得是模型纹理的第一二三四等等纹理坐标 TEXCOORD(n)是指纹理坐标，float2, float3, float4类型。n是指第几组纹理坐标。 texcoord就是存在顶点里的一组数据, 我们可以通过这组数据在渲染的时候进行贴图采样 ]] Unity最多支持几套UV –[[ unity一共支持4套uv，在shader编程中，分别叫UV0, UV1, UV2, UV3，而在c＃编程中分别叫UV, UV2, UV3, UV4 float2 ..
linux ubuntu中安装、卸载和删除python-igraph的方法教程
01-20
最近在学习python-igraph，发现其实学习一种全新的语言看官方的文档是真的很有帮助，这次我的大部分python代码的完成都是靠着igraph官方的API文档。 官方API：...
metagraph-igraph:python-igraph的元图插件
03-26
字形图 python-igraph的元图插件
python-igraph mac os 一键安装包
11-27
可以使用pip install 直接在mac 系统上安装并且使用的igraph包
python-igraph参考
06-08
igraph的python接口参考资料，igraph用于绘制各种网络以及进行复杂网络分析
python-igraph 3.6 64位
04-02
python-igraph资源，数据可视化分析库，python3.6，win64位
python-igraph 安装文件
07-02
python-igraph安装文件 适用于windows32/64位系统 复杂网络分析的有效工具
python_igraph-0.9.6-cp37-cp37m-win_amd64
08-19
python_igraph-0.9.6-cp37-cp37m-win_amd64
leidenalg:用于Python中igraph的各种质量函数的莱顿算法的实现
04-29
它依靠(python-)igraph来起作用。 除了实现的相对灵活性外，它还可以很好地扩展，并且可以在数百万个节点的图形上运行（只要它们可以容纳在内存中即可）。 核心功能是find_partition ，它使用Leiden算法查找最佳...
python中igraph可视化
03-31
在Python中，可以使用igraph库进行网络可视化。以下是一个简单的示例： 首先，需要安装igraph库： ```python !pip install igraph ``` 然后，可以使用以下代码创建一个简单的网络并进行可视化： ```python import igraph # 创建一个包含3个节点和2条边的无向图 g = igraph.Graph(edges=[(0,1), (1,2)], directed=False) # 使用Kamada-Kawai算法布局，并绘制节点和边 igraph.plot(g, layout=g.layout_kamada_kawai(), bbox=(300,300)) ``` 执行上述代码后，应该会看到一个包含3个节点和2条边的无向图的可视化结果。可以尝试修改节点和边的数量和布局算法以获得不同的可视化效果。

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 4
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
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