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：

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

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()

运行效果如下： 为方便大家练习，可以在公号「 早起Pyth on」后台回复 “ 网络图” 获取本文的数据和源代码文件。

-END-

---

扫码添加早小起，进入Python技术交流群