文章目录
- 创建一个图
- [1. 节点](#1. 节点)
-
- [方式1 ：一次添加一个节点](#方式1 ：一次添加一个节点)
- 方式2：从list中添加节点
- 方式3：添加节点时附加节点属性字典
- 方式4：将一个图中的节点合并到另外一个图中
- [2. 边](#2. 边)
- [3. 节点视图、边视图](#3. 节点视图、边视图)
- [4. 移除边、节点](#4. 移除边、节点)
- [5. 可视化](#5. 可视化)
- [6. 有向图的构建](#6. 有向图的构建)
- [7. 读入、写出](#7. 读入、写出)
教程仓库地址：github networkx_tutorial
创建一个图
- Graph是由一组节点和节点对（边）组成的。
python
# 创建一个没有节点和边的空图。
import networkx as nx
G = nx.Graph()1. 节点
- 图G可由多种方式生成。NetWorkX中包含许多图形生成函数（graph generator functions），用于读取和写入多种格式的图形。
方式1 ：一次添加一个节点
python
G.add_node(1)
G.add_node(2)
nx.draw(G=G,with_labels=True) #
方式2：从list中添加节点
- 一次性添加多个节点
- 在Networkx中，节点可以是int、str、xml、另外一个Graph
python
# G = nx.Graph()
nodes_list = ['a','1'] # 注意 str 和 int
G.add_nodes_from(nodes_list)
nx.draw(G=G,with_labels=True)
方式3：添加节点时附加节点属性字典
- node_attribute_dict 通常用于存储节点及其相应的属性。在这个字典中，键代表节点的标识符，而值则是另一个包含该节点各种属性的字典。
python
# node_attribute_dict 样式如下：
[
('节点1', {'属性1': '值1', '属性2': '值2'}),
('节点2', {'属性1': '值3', '属性2': '值4'}),
('节点3', {'属性1': '值5', '属性2': '值6'})
][('节点1', {'属性1': '值1', '属性2': '值2'}),
('节点2', {'属性1': '值3', '属性2': '值4'}),
('节点3', {'属性1': '值5', '属性2': '值6'})]
python
node_attributes_dict = [
(4,{"color": "red"}),
(5,{"color": "green"}),
]
G.add_nodes_from(node_attributes_dict)
nx.draw(G=G,with_labels=True)
方式4：将一个图中的节点合并到另外一个图中
python
# 使用path_graph()创建一个图H
H = nx.path_graph(10)
# 将H中的节点添加到G中
G.add_nodes_from(H)
nx.draw(G=G,with_labels=True)
2. 边
方式1：一次添加一条边
- add_edge()
python
G.add_edge(1,5)
nx.draw(G=G,with_labels=True)
python
e = (2, 3)
G.add_edge(*e) # 在Python中，*运算符用于解包元组、列表或其他可迭代对象。 等同于G.add_edge(2,3)
nx.draw(G=G,with_labels=True)
方式2：列表（list）
- 边元祖
- (u,v)
- (u,v,{'weight':3.1415}) ，u,v后面跟着的是边属性字典 （edge attribute dict）
python
# (u,v)
edges_list = [(1,2),(1,4)]
G.add_edges_from(edges_list)
nx.draw(G=G,with_labels=True)
方式3：从另外一个G添加边
python
G.add_edges_from(H.edges)
nx.draw(G=G,with_labels=True)
方式4：使用边属性字典添加边属性
python
# 定义边属性字典
edge_attributes_dict = {
(1, 2): 1,
(2, 3): 2,
(3, 4): 1.5,
(4, 5): 2.5
}
nx.set_edge_attributes(G=G,values = edge_attributes_dict,name = 'weight')
nx.draw(G=G,with_labels=True)
3. 节点视图、边视图
python
G.edges(data = True)EdgeDataView([(1, 5, {}), (1, 2, {'weight': 1}), (1, 4, {}), (1, 0, {}), (2, 3, {'weight': 2}), (4, 3, {'weight': 1.5}), (4, 5, {'weight': 2.5}), (5, 6, {}), (6, 7, {}), (7, 8, {}), (8, 9, {})])
python
type(G.nodes())networkx.classes.reportviews.NodeView
python
# 查看网络中的节点
list(G.nodes(data = True))[(1, {}),
(2, {}),
('a', {}),
('1', {}),
(4, {'color': 'red'}),
(5, {'color': 'green'}),
(0, {}),
(3, {}),
(6, {}),
(7, {}),
(8, {}),
(9, {})]
python
# 指定属性进行查看
list(G.nodes(data = 'color'))[(1, None),
(2, None),
('a', None),
('1', None),
(4, 'red'),
(5, 'green'),
(0, None),
(3, None),
(6, None),
(7, None),
(8, None),
(9, None)]
python
# 查看网络中的边
list(G.edges(data = True))[(1, 5, {}),
(1, 2, {'weight': 1}),
(1, 4, {}),
(1, 0, {}),
(2, 3, {'weight': 2}),
(4, 3, {'weight': 1.5}),
(4, 5, {'weight': 2.5}),
(5, 6, {}),
(6, 7, {}),
(7, 8, {}),
(8, 9, {})]4. 移除边、节点
python
G.remove_node('a')
# G.remove_nodes_from([1,2,3])
list(G.edges(data = True))[(1, 5, {}),
(1, 2, {'weight': 1}),
(1, 4, {}),
(1, 0, {}),
(2, 3, {'weight': 2}),
(4, 3, {'weight': 1.5}),
(4, 5, {'weight': 2.5}),
(5, 6, {}),
(6, 7, {}),
(7, 8, {}),
(8, 9, {})]5. 可视化
基于节点属性
- 在这个例子中，我们使用node_attributes_dict来存储节点4和节点5的颜色属性。
- 我们通过G.add_nodes_from(node_attributes_dict)将节点及其属性添加到图G中。
- 然后，使用nx.draw(G=G, with_labels=True)进行图的可视化，其中节点标签会显示。
python
# 基于节点的color属性为节点着色
G.nodes(data = 'color') NodeDataView({1: None, 2: None, '1': None, 4: 'red', 5: 'green', 0: None, 3: None, 6: None, 7: None, 8: None, 9: None}, data='color')
python
# 根据节点属性设置节点颜色
node_colors = [data.get('color', 'blue') for node,data in G.nodes(data = True)]
node_colors['blue',
'blue',
'blue',
'red',
'green',
'blue',
'blue',
'blue',
'blue',
'blue',
'blue']
python
nx.draw(G=G,with_labels=True,node_color = node_colors)
基于边属性
python
# 1.获取边属性
edge_weights = nx.get_edge_attributes(G, 'weight')
edge_weights{(1, 2): 1, (2, 3): 2, (4, 3): 1.5, (4, 5): 2.5}
python
# 2.自定义边的可视化样式,下面是基于weight来设置边的宽度
edge_widths = [edge_weights.get((u, v), 1) for u, v in G.edges()] # 1为默认宽度
edge_widths[1, 1, 1, 1, 2, 1.5, 2.5, 1, 1, 1, 1]
python
# 3.可视化
nx.draw(G=G,with_labels=True,node_color = node_colors, width=edge_widths)
python
# 也可以设置为权重的倍数
edge_widths = [2*edge_weights.get((u, v), 1) for u, v in G.edges()] # 1为默认宽度
edge_widths[2, 2, 2, 2, 4, 3.0, 5.0, 2, 2, 2, 2]
python
# 3.可视化
nx.draw(G=G,with_labels=True,node_color = node_colors, width=edge_widths)
6. 有向图的构建
- DiGraph---Directed graphs with self loops
- nx.DiGraph
python
G_2 = nx.DiGraph()
edges_list = [(1, 2), (1, 3), (1, 4), (3, 4)]
G_2.add_edges_from(edges_list)
nx.draw_networkx(G = G_2)
python
# 自定义可视化
edge_labels = nx.get_edge_attributes(G_2, "weight")
pos = nx.spring_layout(G_2)
nx.draw_networkx_edge_labels(G_2, pos, edge_labels=edge_labels) # 绘制图中边的权重
nx.draw_networkx(G_2, pos)
7. 读入、写出
write
- 常用的有gexf、edgelist
- 这部分比较简单，write、read
python
# 1.gexf
nx.write_gexf(G,'./graph/G_01.gexf')
# 3. 保存为边列表
nx.write_edgelist(G, "./graph/G_01.edgelist")
read
python
# 1. read_edgelist
G_read = nx.read_edgelist('./graph/G_01.edgelist')
nx.draw_networkx(G_read)
python
# 1. read_gexf
G_read2 = nx.read_gexf('./graph/G_01.gexf')
nx.draw_networkx(G_read2)
