networkx edge 属性_一文读懂Python复杂网络分析库networkx | CSDN博文精选
作者 | yyl424525
来源 | CSDN博客
文章目录
1. 简介
安装
支持四种图
绘制网络图基本流程
2. Graph-无向图
节点
边
属性
有向图和无向图互转
3. DiGraph-有向图
一些精美的图例子
环形树状图
权重图
Giant Component
Random Geometric Graph 随机几何图
节点颜色渐变
边的颜色渐变
Atlas
画个五角星
Club
画一个多层感知机
绘制一个DNN结构图
一些图论算法
最短路径
4. 问题
一些其他神经网络绘制工具列表
5. 参考
1 简介
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)为基本数据结构。图既可以由程序生成,也可以来自在线数据源,还可以从文件与数据库中读取。
安装
安装的话,跟其他包的安装差不多,用的是anaconda就不用装了。其他就用pip install networkx。
查看版本:
1>>> import networkx
2>>> networkx.__version__
3'1.11'
升级
1pip install --upgrade networkx
下面配合使用的一些库,可以选择性安装:
后面可能用到pygraphviz,安装方法如下(亲测有效):
1sudo apt-get install graphviz
2sudo apt-get install graphviz libgraphviz-dev pkg-config
3sudo apt-get install python-pip python-virtualenv
4pip install pygraphviz
windows的安装参考这篇博客:https://blog.csdn.net/fadai1993/article/details/82491657#2____linux_9
安装cv2:
1pip install opencv-python #安装非常慢,用下面的方式,从清华源下载
2pip3 install -i https://pypi.tuna.tsinghua.edu.cn/simple opencv-python
支持四种图
Graph:无多重边无向图
DiGraph:无多重边有向图
MultiGraph:有多重边无向图
MultiDiGraph:有多重边有向图
空图对象的创建方式
1import networkx as nx
2G=nx.Graph
3G=nx.DiGraph
4G=nx.MultiGraph
5G=nx.MultiDiGraph
6G.clear #清空图
绘制网络图基本流程
导入networkx,matplotlib包
建立网络
绘制网络 nx.draw
建立布局 pos = nx.spring_layout美化作用
最基本画图程序
1import import networkx as nx #导入networkx包
2import matplotlib.pyplot as plt
3G = nx.random_graphs.barabasi_albert_graph(100,1) #生成一个BA无标度网络G
4nx.draw(G) #绘制网络G
5plt.savefig("ba.png") #输出方式1: 将图像存为一个png格式的图片文件
6plt.show #输出方式2: 在窗口中显示这幅图像
networkx 提供画图的函数
1draw(G,[pos,ax,hold])
2draw_networkx(G,[pos,with_labels])
3draw_networkx_nodes(G,pos,[nodelist])绘制网络G的节点图
4draw_networkx_edges(G,pos[edgelist])绘制网络G的边图
5draw_networkx_edge_labels(G, pos[, …]) 绘制网络G的边图,边有label
6—有layout 布局画图函数的分界线—
7draw_circular(G, **kwargs) Draw the graph G with a circular layout.
8draw_random(G, **kwargs) Draw the graph G with a random layout.
9draw_spectral(G, **kwargs)Draw the graph G with a spectral layout.
10draw_spring(G, **kwargs)Draw the graph G with a spring layout.
11draw_shell(G, **kwargs) Draw networkx graph with shell layout.
12draw_graphviz(G[, prog])Draw networkx graph with graphviz layout.
networkx 画图函数里的一些参数
pos(dictionary, optional): 图像的布局,可选择参数;如果是字典元素,则节点是关键字,位置是对应的值。如果没有指明,则会是spring的布局;也可以使用其他类型的布局,具体可以查阅networkx.layout
arrows :布尔值,默认True; 对于有向图,如果是True则会画出箭头
with_labels: 节点是否带标签(默认为True)
ax:坐标设置,可选择参数;依照设置好的Matplotlib坐标画图
nodelist:一个列表,默认G.nodes; 给定节点
edgelist:一个列表,默认G.edges;给定边
node_size: 指定节点的尺寸大小(默认是300,单位未知,就是上图中那么大的点)
node_color: 指定节点的颜色 (默认是红色,可以用字符串简单标识颜色,例如’r’为红色,'b’为绿色等,具体可查看手册),用“数据字典”赋值的时候必须对字典取值(.values())后再赋值
node_shape: 节点的形状(默认是圆形,用字符串’o’标识,具体可查看手册)
alpha: 透明度 (默认是1.0,不透明,0为完全透明)
cmap:Matplotlib的颜色映射,默认None; 用来表示节点对应的强度
vmin,vmax:浮点数,默认None;节点颜色映射尺度的最大和最小值
linewidths:[None|标量|一列值];图像边界的线宽
width: 边的宽度 (默认为1.0)
edge_color: 边的颜色(默认为黑色)
edge_cmap:Matplotlib的颜色映射,默认None; 用来表示边对应的强度
edge_vmin,edge_vmax:浮点数,默认None;边的颜色映射尺度的最大和最小值
style: 边的样式(默认为实现,可选:solid|dashed|dotted,dashdot)
labels:字典元素,默认None;文本形式的节点标签
font_size: 节点标签字体大小 (默认为12)
font_color: 节点标签字体颜色(默认为黑色)
node_size:节点大小
font_weight:字符串,默认’normal’
font_family:字符串,默认’sans-serif’
布局指定节点排列形式
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,中心放射状分布
spectral_layout:根据图的拉普拉斯特征向量排列节点
布局也可用pos参数指定,例如,nx.draw(G, pos = spring_layout(G)) 这样指定了networkx上以中心放射状分布.
2 Graph-无向图
如果添加的节点和边是已经存在的,是不会报错的,NetworkX会自动忽略掉已经存在的边和节点的添加。
节点
常用函数
nodes(G):在图节点上返回一个迭代器
number_of_nodes(G):返回图中节点的数量
all_neighbors(graph, node):返回图中节点的所有邻居
non_neighbors(graph, node):返回图中没有邻居的节点
common_neighbors(G, u, v):返回图中两个节点的公共邻居
1import networkx as nx
2import matplotlib.pyplot as plt
3G = nx.Graph # 建立一个空的无向图G
4#增加节点
5G.add_node('a') # 添加一个节点1
6G.add_nodes_from(['b', 'c', 'd', 'e']) # 加点集合
7G.add_cycle(['f', 'g', 'h', 'j']) # 加环
8H = nx.path_graph(10) # 返回由10个节点的无向图
9G.add_nodes_from(H) # 创建一个子图H加入G
10G.add_node(H) # 直接将图作为节点
11
12nx.draw(G, with_labels=True,node_color='red')
13plt.show
14
15#访问节点
16print('图中所有的节点', G.nodes)
17#图中所有的节点 [0, 1, 2, 3, 'a', 'c', 'f', 7, 8, 9, , 'g', 'e', 'h', 'b', 4, 6, 5, 'j', 'd']
18
19print('图中节点的个数', G.number_of_nodes)
20#图中节点的个数 20
21
22#删除节点
23G.remove_node(1) #删除指定节点
24G.remove_nodes_from(['b','c','d','e']) #删除集合中的节点
边
常用函数
edges(G[, nbunch]):返回与nbunch中的节点相关的边的视图
number_of_edges(G):返回图中边的数目
non_edges(graph):返回图中不存在的边
1import networkx as nx
2import matplotlib.pyplot as plt
3
4#添加边方法1
5
6F = nx.Graph # 创建无向图
7F.add_edge(11,12) #一次添加一条边
8
9#添加边方法2
10e=(13,14) #e是一个元组
11F.add_edge(*e) #这是python中解包裹的过程
12
13#添加边方法3
14F.add_edges_from([(1,2),(1,3)]) #通过添加list来添加多条边
15
16H = nx.path_graph(10) #返回由10个节点的无向图
17#通过添加任何ebunch来添加边
18F.add_edges_from(H.edges) #不能写作F.add_edges_from(H)
19
20nx.draw(F, with_labels=True)
21plt.show
22
23#访问边
24print('图中所有的边', F.edges)
25# 图中所有的边 [(0, 1), (1, 2), (1, 3), (2, 3), (3, 4), (4, 5), (5, 6), (6, 7), (7, 8), (8, 9), (11, 12), (13, 14)]
26
27print('图中边的个数', F.number_of_edges)
28# 图中边的个数 12
29
30
31
32#删除边
33F.remove_edge(1,2)
34F.remove_edges_from([(11,12), (13,14)])
35
36nx.draw(F, with_labels=True)
37plt.show
使用邻接迭代器遍历每一条边
1import networkx as nx
2import matplotlib.pyplot as plt
3
4#快速遍历每一条边,可以使用邻接迭代器实现,对于无向图,每一条边相当于两条有向边
5FG = nx.Graph
6FG.add_weighted_edges_from([(1,2,0.125), (1,3,0.75), (2,4,1.2), (3,4,0.275)])
7for n, nbrs in FG.adjacency_iter:
8 for nbr, eattr in nbrs.items:
9 data = eattr['weight']
10 print('(%d, %d, %0.3f)' % (n,nbr,data))
11 # (1, 2, 0.125)
12 # (1, 3, 0.750)
13 # (2, 1, 0.125)
14 # (2, 4, 1.200)
15 # (3, 1, 0.750)
16 # (3, 4, 0.275)
17 # (4, 2, 1.200)
18 # (4, 3, 0.275)
19
20print('***********************************')
21
22#筛选weight小于0.5的边:
23FG = nx.Graph
24FG.add_weighted_edges_from([(1,2,0.125), (1,3,0.75), (2,4,1.2), (3,4,0.275)])
25for n, nbrs in FG.adjacency_iter:
26 for nbr, eattr in nbrs.items:
27 data = eattr['weight']
28 if data < 0.5:
29 print('(%d, %d, %0.3f)' % (n,nbr,data))
30 # (1, 2, 0.125)
31 # (2, 1, 0.125)
32 # (3, 4, 0.275)
33 # (4, 3, 0.275)
34
35print('***********************************')
36
37#一种方便的访问所有边的方法:
38for u,v,d in FG.edges(data = 'weight'):
39 print((u,v,d))
40 # (1, 2, 0.125)
41 # (1, 3, 0.75)
42 # (2, 4, 1.2)
43 # (3, 4, 0.275)
属性
属性诸如weight,labels,colors,或者任何对象,都可以附加到图、节点或边上。
对于每一个图、节点和边都可以在关联的属性字典中保存一个(多个)键-值对。
默认情况下这些是一个空的字典,但是可以增加或者是改变这些属性。
图的属性
1#图的属性
2
3import networkx as nx
4
5G = nx.Graph(day='Monday') #可以在创建图时分配图的属性
6print(G.graph)
7
8G.graph['day'] = 'Friday' #也可以修改已有的属性
9print(G.graph)
10
11G.graph['name'] = 'time' #可以随时添加新的属性到图中
12print(G.graph)
13
14输出:
15{'day': 'Monday'}
16{'day': 'Friday'}
17{'day': 'Friday', 'name': 'time'}
节点的属性
1#节点的属性
2import networkx as nx
3
4G = nx.Graph(day='Monday')
5G.add_node(1, index='1th') #在添加节点时分配节点属性
6# print(G.node(data=True)) #TypeError: 'dict' object is not callable
7print(G.node)
8#{1: {'index': '1th'}}
9
10
11G.node[1]['index'] = '0th' #通过G.node来添加或修改属性
12print(G.node)
13# {1: {'index': '0th'}}
14
15
16G.add_nodes_from([2,3], index='2/3th') #从集合中添加节点时分配属性
17print(G.node)
18# {1: {'index': '0th'}, 2: {'index': '2/3th'}, 3: {'index': '2/3th'}}
边的属性
1#边的属性
2import networkx as nx
3
4G = nx.Graph(day='manday')
5G.add_edge(1,2,weight=10) #在添加边时分配属性
6print(G.edges(data=True))
7#[(1, 2, {'weight': 10})]
8
9G.add_edges_from([(1,3), (4,5)], len=22) #从集合中添加边时分配属性
10print(G.edges(data='len'))
11# [(1, 2, None), (1, 3, 22), (4, 5, 22)]
12
13G.add_edges_from([(3,4,{'hight':10}),(1,4,{'high':'unknow'})])
14print(G.edges(data=True))
15# [(1, 2, {'weight': 10}), (1, 3, {'len': 22}), (1, 4, {'high': 'unknow'}), (3, 4, {'hight': 10}), (4, 5, {'len': 22})]
16
17
18G[1][2]['weight'] = 100000 #通过G来添加或修改属性
19print(G.edges(data=True))
20# [(1, 2, {'weight': 100000}), (1, 3, {'len': 22}), (1, 4, {'high': 'unknow'}), (3, 4, {'hight': 10}), (4, 5, {'len': 22})]
有向图和无向图互转
有向图和多重图的基本操作与无向图一致。
无向图与有向图之间可以相互转换,转化方法如下:
1#有向图转化成无向图
2
3H=DG.to_undirected
4#或者
5H=nx.Graph(DG)
6
7#无向图转化成有向图
8
9F = H.to_directed
10#或者
11F = nx.DiGraph(H)
3、DiGraph-有向图
1import networkx as nx
2import matplotlib.pyplot as plt
3
4G = nx.DiGraph
5G.add_node(1)
6G.add_node(2)
7G.add_nodes_from([3,4,5,6])
8G.add_cycle([1,2,3,4])
9G.add_edge(1,3)
10G.add_edges_from([(3,5),(3,6),(6,7)])
11nx.draw(G,node_color = 'red')
12plt.savefig("youxiangtu.png")
13plt.show
1from __future__ import division
2import matplotlib.pyplot as plt
3import networkx as nx
4
5G = nx.generators.directed.random_k_out_graph(10, 3, 0.5)
6pos = nx.layout.spring_layout(G)
7
8node_sizes = [3 + 10 * i for i in range(len(G))]
9M = G.number_of_edges
10edge_colors = range(2, M + 2)
11edge_alphas = [(5 + i) / (M + 4) for i in range(M)]
12
13nodes = nx.draw_networkx_nodes(G, pos, node_size=node_sizes, node_color='blue')
14edges = nx.draw_networkx_edges(G, pos, node_size=node_sizes, arrowstyle='->',
15 arrowsize=10, edge_color=edge_colors,
16 edge_cmap=plt.cm.Blues, width=2)
17# set alpha value for each edge
18for i in range(M):
19 edges[i].set_alpha(edge_alphas[i])
20
21ax = plt.gca
22ax.set_axis_off
23plt.savefig("directed.jpg")
24plt.show
一些精美的图例子
环形树状图
1import matplotlib.pyplot as plt
2import networkx as nx
3
4try:
5 import pygraphviz
6 from networkx.drawing.nx_agraph import graphviz_layout
7except ImportError:
8 try:
9 import pydot
10 from networkx.drawing.nx_pydot import graphviz_layout
11 except ImportError:
12 raise ImportError("This example needs Graphviz and either "
13 "PyGraphviz or pydot")
14
15G = nx.balanced_tree(3, 5)
16pos = graphviz_layout(G, prog='twopi', args='')
17plt.figure(figsize=(8, 8))
18nx.draw(G, pos, node_size=20, alpha=0.5, node_color="blue
networkx edge 属性_一文读懂Python复杂网络分析库networkx | CSDN博文精选相关推荐
- 一文读懂Python复杂网络分析库networkx | CSDN博文精选
作者 | yyl424525 来源 | CSDN博客 文章目录 1. 简介 安装 支持四种图 绘制网络图基本流程 2. Graph-无向图 节点 边 属性 有向图和无向图互转 3. DiGraph-有 ...
- 一文读懂对抗机器学习Universal adversarial perturbations | CSDN博文精选
作者 | Icoding_F2014 来源 | CSDN博客 本文提出一种 universal 对抗扰动,universal 是指同一个扰动加入到不同的图片中,能够使图片被分类模型误分类,而不管图片到 ...
- python读取枚举_一文读懂Python 枚举
enum是一组绑定到唯一常数值的符号名称,并且具备可迭代性和可比较性的特性.我们可以使用 enum 创建具有良好定义的标识符,而不是直接使用魔法字符串或整数,也便于开发工程师的代码维护. 创建枚举 我 ...
- python输入什么就输出什么_一文读懂Python的输入和输出
本文介绍了Python的输入和输出,既然是Python代码,那么就一定有输出量,那么,Python是如何输出的呢? 输出 用print()在括号中加上字符串,就可以向屏幕上输出指定的文字.比如输出'h ...
- python中有哪些重要的书写规则_一文读懂Python代码的书写规范
Python代码的书写规范 1. 一致性的建议 打破一条既定规则的两个好理由 当应用这个规则将导致代码可读性下降,即使对于某人来说他已经习惯于按照这条规则来阅读代码了 为了和周围的代码保持一致而打破规 ...
- 读懂python语言_一文读懂python反射机制
反射 反射机制就是在运行时,动态的确定对象的类型,并可以通过字符串调用对象属性.方法.导入模块,是一种基于字符串的事件驱动.解释型语言:程序不需要编译,程序在运行时才翻译成机器语言,每执行一次都要翻译 ...
- python输入什么就输出什么意思_一文读懂Python的输入和输出
本文介绍了Python的输入和输出,既然是Python代码,那么就一定有输出量,那么,Python是如何输出的呢? 输出 用print()在括号中加上字符串,就可以向屏幕上输出指定的文字.比如输出'h ...
- 廖雪峰讲python高阶函数求导公式_一文读懂Python 高阶函数
高阶函数 将函数作为参数传入,这样的函数称为高阶函数.函数式编程就是指这种高度抽象的编程范式. 变量可以指向函数,函数的参数能接收变量,那么一个函数就可以接收另一个函数作为参数,这种函数就称之为高阶函 ...
- python中的映射_一文读懂Python中的映射
python中的反射功能是由以下四个内置函数提供:hasattr.getattr.setattr.delattr,改四个函数分别用于对对象内部执行:检查是否含有某成员.获取成员.设置成员.删除成员. ...
最新文章
- spring cloud微服务治理eureka、hystrix、zuul代码例子
- 开发ing经验关于游戏中寻路
- Spring MVC配置静态资源的正常访问
- 各个版本通道_绝地求生各个参数对画面的影响,软硬件优化帧数,拒绝做睁眼瞎...
- python 办公_python 让办公变得自动化
- Java LinkedList对象的get(int index)方法与示例
- 玩转linux文件描述符和重定向,玩转Linux文件描述符和重定向
- python makefile
- HDU 4679 Terrorist’s destroy
- 【干货】神经网络初始化trick:大神何凯明教你如何训练网络!
- 数据库访问优化法则详解之返回更少的数据
- 做自己的安卓拍照应用,其实很简单
- word在英文输入法的状态下,打出来的引号还是中文字符
- 2013-04《信息资源管理 02378》真卷解析,逐题解析+背诵技巧
- 视觉检测设计与实践答题卡检测实验报告
- HTML SWF播放器
- 只有浏览器显示找不到服务器dns
- python 期货交易接口_期货数据接口(期货数据接口 python)
- 数字IC-1.10 手撕代码之整数乘法和二范数(Verilog HDL数字加减法练习好帮手)
- 万能实体类(pageDate)