python之NetworkX的使用

参考自https://blog.csdn.net/u010899985/article/details/80316099

最近在使用学习机器学习算法时，使用下python的调参库 Hyperopt, 发现程序一直出现问题，结果发现不是程序问题，而是在安装 Hyperopt时出现问题。

在安装Hyperopt时会自动安装依赖库 networkx-2.1, 结果发现其并不支持 Hyperopt-0.1

解决方法：

卸载 networkx : pip uninstall networkx

下载 networkx-1.11 版本

networkx‑1.11‑py2.py3‑none‑any.whl

或者直接安装： pip install networkx==1.11

转载自：http://baiyejianxin.iteye.com/blog/1764048

创建简单的空图形（没有边和点）

import networkx as nx

g = nx.Graph();

h = nx.Graph( g); #可以在构建Graph对象时指定值来构造一个新的Graph对象

f = nx.Graph( [ (1,2),(2,3),(1,3)]); #可以在构建Graph对象时指定node关系的数组来构建Graph对象

根据定义，一个Graph就是一个所有nodes的集合。在NetworkX中，nodes能够代表任何对象，例如一个文本，一个图片，一个xml对象或者另外一个Graph，一个自定义的对象等等。

由于NetworkX提供了多种Graph对象生成方法，并且体痛了读写方法来读写多种格式，所以Graph对象能够使用多种方式创建。

----------------------

Nodes

graph对象能够添加node（节点）

g.add_node(1); #添加一个节点

g.add_nodes_from( [2,3]) #添加一个节点列表

h = nx.path_graph(10)

g.add_nodes_from( h) #添加一个能够迭代的集合(例如：list, set, graph, file等等)，这样g中包含了h中的元素

g.add_node( h) #这是将h作为一个node添加到g中

g.add_nodes_from( 'span'); #将span拆分为一个字符数组，然后添加node

Note: 最后，h是一个graph对象，将h最为g的node，是一个很灵活的特性。这样节点可以是graph中的graph，files中的graphs，method中的graph等等。值得思考的是，如果结构化你的应用使得那些node都是有用的实体。如果你愿意，你还可以是g对应一个唯一的表示，每个node对应一个被表示的key。如果node对应的是对象中的内容，那么当内容变化是，不应该修改对象，应该修改node对应的内容（有点绕）。

-----------------------

Edges

graph对象中还能够添加edges(边)；

g.add_edge(1,2) # 添加一个1和2之间的edge

e=(2,3) #定义个关系

g.add_edge( *e) #添加关系对象

g.add_edges_from([(1,2),(2,3)]) #添加一个edge数组

g.add_edges_from( h.edges()); #h.edges()返回的h的包含所有edge的数组

#拆除graph对象中的node和edge可以使用如下方法

g.remove_node()

g.remove_nodes_from()

g.remove_edge()

g.remove_edges_from()

#删除所有的node和edge

g.clear();

#如果重复添加相同的node和edge，NetworkX将会将会忽略那些重复的内容。

g.add_nodes_from("span");

g.add_node( "s");

#获取一个Graph对象中node和edge的数量

g.number_of_nodes();

g.number_of_edges();

#获取一个Graph对象中的node数组或者edge数组

g.nodes();

g.edges();

g.neighbors(1); #获取与node为1相邻的node是节点

g.remove_edge( 1,2); #删除node1和node2之间的edge，自此node1和node2不再为相邻的node

------------------------------

如何使用nodes和edges？

获取你已经注意到了node和edge并不是Graph的对象。这就能够使你更加灵活的使用node和edge，如果在python中使用string和number。node可以为任何hashable对象（除了Node），edge还可以和其他Graph对象中的node建立关联。例如：

g.add_node( n1, n2, Graph=x);

例如，n1,n2可以代表生物蛋白质资料库中两种蛋白质对象,x可以是代表一个观察实验出版物中的xml片段记录。

如果熟悉他们，那么他们会非常有用。如果滥用也会带来意想不到的结果。如有疑问可以通过convert_node_labels_to_integers()方法来获得更多的有整数组成的传统图形。

-------------------------

除了使用上面提到的方法外，可以使用索引下标来访问edge

>>>g[1]

{2,{}}

>>>g[1][1]

{}

Note：不要修改返回到额字典结构，它是graph固有的一部分，直接修改会导致不一致的状态

同样通过下标可以设置edge的属性

g.add_edge( 1, 3)

g[1][1][ "color"] = "blue"

通过迭代快速查找所有的edge

>>> FG=nx.Graph()
>>> FG.add_weighted_edges_from([(1,2,0.125),(1,3,0.75),(2,4,1.2),(3,4,0.375)])
>>> for n,nbrs in FG.adjacency_iter():
...    for nbr,eattr in nbrs.items():
...        data=eattr['weight']
...        if data<0.5: print('(%d, %d, %.3f)' % (n,nbr,data))
(1, 2, 0.125)
(2, 1, 0.125)
(3, 4, 0.375)
(4, 3, 0.375)

--------------------

添加graph，node，edge的属性

像color,label,weight或者其他Python对象的属性都可以被设置为graph，node，edge的属性。

每个graph，node，edge都能够包含key/value这样的字典数据。默认情况下是没有这些属性的。可以通过add_node(),add_edge(),或者直接修改来添加和修改属性。

Graph 属性

g = nx.Graph( day="friday");

g.graph

打印：｛“day”：“friday”｝

g.graph["day"]="Monday";

g.graph

打印：｛"day":"Monday"｝

Node属性

通过add_node()，add_nodes_from或者g.node来添加属性

g.add_node( 1, time="5pm");

g.add_nodes_from([3], time="2pm");

g.node[ 1]

打印：｛"time":"5pm"｝

g.node[1]["room"]=714;

g.nodes(data=True);

打印：[(1,{"room":714, "time":"5pm"}),(3,{"time":"2pm"})]

Note:向node添加属性并不会想graph添加属性，

Edge属性

通过add_edge(), add_edges_from()或者g.edge来添加属性

g.add_edge(1,2,wegiht=4.7)

g.add_edges_from( [ (2,3),(3,4) ], color="red")

g.add_edges_from( [(1,2,{"color":"blue"}),(4,5,{"weight":8})])

g[1][2]["width"]=4.7

g.edge[1][2]["weight"]=4

-----------------------------

Directed graphs(有向图)

DiGraph类针对有向edge提供了另外的方法，例如：out_edges(), in_degree(),predecessors(),successors()等。为了是算法能够正常运行，有向版本的neighbors()和degree()对于seccessor()方法是相同的。in_degree()和out_degree()都是独自的。

ig = nx.DiGraph()

ig.add_wieghted_edges_from( [(1,2,0.5),(2,3,0.7)])

ig.out_degree( 1,weight="weight");

打印：0.5

ig.degree( 1, weight="weight");

打印：1.25

ig.seccessors(1)

打印:[2]

ig.neighbors(1)

打印:[2]

一些算法只对有向grapsh起作用，其他算法没有明确定义。同时使用有向graph和无向graph是非常危险的事情。如果想将有向graph转换为无向graph可以使用

Graph.to_undirected()

或者

h = nx.Graph( g)

-------------------

Multigraphs

NetworkX提供了类来实现一对node之间存在多个edge的实现类：MultiGraph和MultiDiGraph，他们都允许使用的edge数据添加多个的edge。对于某些应这个特性非常有用，但是很多算法在这种graph中并没有明确定义。

>>> MG=nx.MultiGraph()
>>> MG.add_weighted_edges_from([(1,2,.5), (1,2,.75), (2,3,.5)])
>>> MG.degree(weight='weight')
{1: 1.25, 2: 1.75, 3: 0.5}
>>> GG=nx.Graph()
>>> for n,nbrs in MG.adjacency_iter():
...    for nbr,edict in nbrs.items():
...        minvalue=min([d['weight'] for d in edict.values()])
...        GG.add_edge(n,nbr, weight = minvalue)
...
>>> nx.shortest_path(GG,1,3)
[1, 2, 3]

---------------------

Graph generators and graph operations(图形生成和操作)

为了构建node-by-node或者edge-by-edge的graph，还可以使用以下方式。

subgraph( G, nbunch)

union( g1,g2) #合并praph

disjoint_union( g1, g2) #假设所有node都不相同合并praph

cartesian_product( g1, g2) #返回笛卡尔产品praph

compose( g1, g2) #合并公共的node

complement( g1) #praph的补集

create_empty_copy( g) #返回某个praph对象的空的拷贝对象

convert_to_undirected( g) #返回一个无向praph

convert_to_directed( g) #返回一个有向的praph

使用小图的调用

petersen = nx.petersen_parph();

tutte = nx.tutte_praph()

maze = nx.sedgewick_maze_praph()

tet = nx.tetrahedral_praph()

使用典型praph的构造生成器

k_4 = nx.complete_graph(4);

k_3_5 = nx.complete_bipartite_graph(3,5)

barbell = nx.barbell_graph( 10, 10)

lollipop = nx.lollipop_graph( 10,20);

使用随机graph生成器

>>> er=nx.erdos_renyi_graph(100,0.15)
>>> ws=nx.watts_strogatz_graph(30,3,0.1)
>>> ba=nx.barabasi_albert_graph(100,5)
>>> red=nx.random_lobster(100,0.9,0.9)

从存储praph的文件中读取格式数据然后生成praph。

>>> nx.write_gml(red,"path.to.file")
>>> mygraph=nx.read_gml("path.to.file")

--------------

Analyzing graphs(分析图)

结构话的praph能够使用提供的方法来进行分析：

g = nx.Graph()

g.add_edges_from( [(1,2),(1,3)])

g.add_node( "spam")

nx.connected_components( g) #将node有关联的显示一个数组中。返回的为一个数组

打印: [ [1,2,3], [ "spam"]]

sorted( nx.degree( g).values())

打印： [ 0, 1, 1, 2]

nx.clustering( g) #聚合

打印： { 1 : 0.0, 2:0.0 , 3: 0.0 . "spam":0.0}

nx.degree( g) #显示等级

打印:{1:2, 2:1,3:1,"spam":0}

对于特殊的node，可以将一个单独的node或者node集合作为参数。如果传入一个独立的node，那么返回一个独立的值，如果传入一个node集合，这个方法将返回一个字典类型的数据

nx.degree(g,1) #返回第一个node的值

g.degree( 1) #返回第一个node的值

g.degree( 1, 2) #返回从第一个node开始，前两个node的值

{1:2, 2:1}

sorted( g.degree( [ 1, 2]).values()) #返回1和2并排序输出结果

[1,2]

sorted( g.degree().values()) #返回g中node的权重，并排序输出结果

想要了解更加详细的算法只是，参考：算法

---------------------

Drawing Praphs(绘制图形)

NetworkX并不是首选的图形绘制包，但是它包含了基本的图形绘制工具开源包Matplotlib。如果需要的话可以引入network.drawing包。（更详细的文档参考：Drawing）

注意： NetworkX中的绘图包不和Python3兼容

首先引入 Matplotlib的plot接口

import matplotlib.pyplot as plt

如果成功引入 networkx.drawing那么可以使用下面的方法绘制graph对象

nx.draw( g)

nx.draw_random( g)

nx.draw_circular( g)

nx.draw_spectral( g)

将绘制的内容保存的一个文件中使用下面的方法

nx.draw( g)

plt.savefig( "path.png")

python之NetworkX的使用相关推荐

python画有权重网络图_使用Python的networkx绘制精美网络图教程
最近因为数学建模3天速成Python,然后做了一道网络的题,要画网络图.在网上找了一些,发现都是一些很基础的丑陋红点图,并且关于网络的一些算法也没有讲,于是自己进http://networkx.git ...
python库-networkx模块
python库-networkx模块 networkx模块 networkx模块(一) 1 安装和调用 2 图 2.1 创建图 2.2 清空图 3. 节点 3.1 添加一个节点 3.2 从各种iter ...
python之networkx库小结
python之networkx库小结(转) 本文转载自 https://blog.csdn.net/your_answer/article/details/79189660 一.安装安装的话,跟其他 ...
用python画关系网络图-使用Python的networkx绘制精美网络图教程
最近因为数学建模3天速成Python,然后做了一道网络的题,要画网络图.在网上找了一些,发现都是一些很基础的丑陋红点图,并且关于网络的一些算法也没有讲,于是自己进http://networkx.git ...
【Python】如何在Windows操作系统下安装Python和Networkx
Networkx是一套基于Python的多种网络构造库.因为之前没有学过Python,因此一点点上手,这一篇讲一讲如何在Windows环境下安装Python2.7和Networkx. 首先要澄清一下, ...
python pymongo+networkx 实现mongo数据血缘关系可视化
为什么80%的码农都做不了架构师?>>> 数据血缘通常是指数据产生的链路,其采集主要通过自动解析(存储过程.SQL.ETL过程等文件)结合人工收集的方式实现.本文不涉及数据血缘 ...
如何安装python_怎么在Windows操作系统下安装Python和Networkx
Networkx是一套基于Python的多种网络构造库.因为之前没有学过Python,因此一点点上手,这一篇讲一讲如何在Windows环境下安装Python2.7和Networkx. 首先要澄清一下, ...
Python 计算两个连通子图距离_复杂网络分析之python利器NetworkX
点击蓝字关注我们 1 networkx介绍 networkx在2002年5月产生,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 ...
python做马尔科夫模型预测法_通过Python的Networkx和Sklearn来介绍隐性马尔科夫模型...
Python部落(python.freelycode.com)组织翻译,禁止转载,欢迎转发. 文章梗概马尔科夫是何人? 马尔科夫性质是什么? 马尔科夫模型是什么? 是什么让马尔科夫模型成为隐性的? ...

python之NetworkX的使用

解决方法：

python之NetworkX的使用相关推荐

最新文章

热门文章