绘制基本网络图(Networkx)

networkx.org

绘制基本网络图
绘制划分后的社区

绘制基本网络图

用matplotlib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

import networkx as nx   #导入networkx包
import matplotlib.pyplot as plt
# 生成一个BA无标度网络G
G = nx.random_graphs.barabasi_albert_graph(50,1)
nx.draw(G)    #绘制网络G
plt.savefig("ba.png")  #输出方式1: 将图存为png格式的图片文件
plt.show()   #输出方式2: 在窗口中显示这幅图像

networkx 提供画图的函数有

draw（G，[pos,ax,hold]）
draw_networkx(G，[pos,with_labels])
draw_networkx_nodes(G,pos,[nodelist]) 绘制网络G的节点图
draw_networkx_edges(G,pos[edgelist]) 绘制网络G的边图
draw_networkx_edge_labels(G, pos[, …]) 绘制网络G的边图，边有label

—有layout 布局画图函数的分界线—
6. draw_circular(G, **kwargs) Draw the graph G with a circular layout.
7. draw_random(G, **kwargs) Draw the graph G with a random layout.
8. draw_spectral(G, **kwargs) Draw the graph G with a spectral layout.
9. draw_spring(G, **kwargs) Draw the graph G with a spring layout.
10. draw_shell(G, **kwargs) Draw networkx graph with shell layout.
11. draw_graphviz(G[, prog]) Draw networkx graph with graphviz layout.

networkx画图参数

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)
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（默认为True）
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）

e.g. nx.draw(G,node_size = 30, with_label = False)
绘制节点的尺寸为30，不带标签的网络图。

布局指定节点排列形式

pos = nx.spring_layout()

建立布局，对图进行布局美化，networkx 提供的布局方式有：

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（不了解，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

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.

绘制划分后的社区

先看一段代码，代码源自site

代码示例

import community
import networkx as nx
import matplotlib.pyplot as plt#better with karate_graph() as defined in networkx example.
#erdos renyi don't have true community structure
G = nx.erdos_renyi_graph(30, 0.05)#first compute the best partition（划分）
partition = community.best_partition(G)#drawing
#set() 函数创建一个无序不重复元素集，可去重。
size = float(len(set(partition.values())))  # 类别数
pos = nx.spring_layout(G) # 图的展示方式（美化作用）
count = 0.
for com in set(partition.values()) :count = count + 1.list_nodes = [nodes for nodes in partition.keys()if partition[nodes] == com]
#     print(list_nodes)nx.draw_networkx_nodes(G, pos, list_nodes, node_size = 30,node_color = str(count / size))nx.draw_networkx_edges(G,pos,with_labels=False, alpha=0.5)
plt.show()

6730733)(output_15_0.png)]

代码详解

communit.best_partition 是社区划分方法，算法是根据Vincent D.Blondel 等人于2008提出，是基于modularity optimization的heuristic方法.
partition的结果存在字典数据类型：{‘1’: 0, ‘3’: 1, ‘2’: 0, ‘5’: 1, ‘4’: 0, ‘6’: 0}

单引号里的数据是key，也就是网络中节点编号。
冒号后面的数值，表示网络中节点的编号属于哪个社区。也就是社区标号。如’6’: 0表示6节点属于0社区

# list_nodes = [nodes for nodes in partition.keys()
#                                 if partition[nodes] == com]

每次循环list_nodes结果是社区i对应的用户编号。
如第一次循环结果是com = 0, list_nodes= [‘1’,‘2’,‘4’,‘6’]
第二次循环的结果是com = 1, list_nodes = [‘3’,‘6’]
这样每次循环，画出一个社区的所有节点：

# nx.draw_networkx_nodes(G, pos, list_nodes, node_size = 50,
#                                 node_color = str(count / size))

循环结束后通过颜色来标识不同社区(nodes)

# nx.draw_networkx_edges(G,pos,with_labels=True, alpha=0.5)

绘制社区的连接关系(edges)