SPSS+AMOS数据分析案例教程-关于中介模
SPSS视频教程内容目录和跳转链接
SPSS+AMOS数据分析案例教程-关于中介模
SPSS视频教程内容目录和跳转链接
R语言快速入门视频教程
Python智联招聘数据分析
LCA潜在类别分析和Mplus应用
Amos结构方程模型数据分析入门教程
倒U关系回归分析中介效应和调节效应分析SPSS视频教程

networkx入门

在B站@mlln-cn, 我就能回答你的问题奥!

文章目录
  1. 1. 创建图
  2. 2. 节点
  3. 3.
  4. 4. 图可视化
  5. 5. 删除节点和边
  6. 6. 使用边和邻居节点
  7. 7. 有向图
  8. 8. 利用有向图实现计算图

本文代码运行环境:

  • windows10
  • python3.6

这篇教程可以帮助您开始使用python NetworkX。NetworkX是一个Python包,用于创建,操作和研究复杂网络的结构,动态和功能。

NetworkX提供:

  • 研究社会,生物和基础设施网络的结构和动态的工具;
  • 适用于许多应用的标准编程接口和图形实现;
  • 一个快速发展的多学科项目的环境;
  • 现有数值算法的接口和用C,C ++和FORTRAN编写的代码;和
  • 能够无痛地处理大型非标准数据集。
  • 使用NetworkX,您可以以标准和非标准数据格式加载和存储网络,生成多种类型的随机和经典网络,分析网络结构,构建网络模型,设计新的网络算法,绘制网络等等。

创建图

创建一个空图:

1
2
import networkx as nx
g = nx.Graph()

根据定义,Graph是节点(顶点)的集合以及标识的节点对(称为边,链接等)。在NetworkX中,节点可以是任何可hashable对象,例如文本字符串,图像,XML对象,另一个图Graph,定制节点对象等。

节点

图可以以几种方式生长。 NetworkX包含许多图生成器功能和工具,可以以多种格式读写图形。为了开始,我们将看看简单的操作。您可以一次添加一个节点,

1
g.add_node('Node-1')

一次添加多个节点:

1
g.add_nodes_from(['Node-2', 'Node-3'])

在添加节点的时候, 你还可以添加节点的属性, 只要传入一个tuple: (node, node_attribute_dict)

1
g.add_nodes_from([('Node-4', {'id':1, 'operation': 'add'})])

我们在之后的教程中会继续讨论节点的属性。

我们还可直接添加其他图的节点:

1
2
h = nx.path_graph(10)
g.add_nodes_from(h)

现在图g包含了图h, 也就是图h实际上图g的一个节点。

图也可以通过增加边来生长:

1
g.add_edge(1,2)

也可以一次添加多个边:

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

也可以从其他图中添加边:

1
g.add_edges_from(h.edges)

当添加的边包含不存在的节点的时候, 程序并不会报错:

1
g.add_edge(1000, 100000)

目前为止, 查看一下图中到底有多少个节点和边:

1
g.number_of_nodes()
输出(plain):
16
1
g.number_of_edges()
输出(plain):
11

我们可以通过各种属性查看图的内部结构。四个基本图形属性有:G.nodes,G.edges,G.adj和G.degree。这些是图中节点,边,邻居(邻接)和节点度的集合。它们为图形结构提供了不断更新的只读视图。它们也类似于dict,因为您可以通过视图查找节点和边缘数据属性,并使用方法.items,. data=('span')迭代数据属性。如果您想要特定的容器类型而不是视图,则可以指定一个。这里我们使用列表,虽然set,dicts,tuple和其他容器在其他上下文中可能更好。

1
g.nodes
输出(plain):
NodeView(('Node-1', 'Node-2', 'Node-3', 'Node-4', 0, 1, 2, 3, 4, 5, 6, 7, 8, 9, 1000, 100000))
1
g.edges
输出(plain):
EdgeView([(0, 1), (1, 2), (1, 3), (2, 3), (3, 4), (4, 5), (5, 6), (6, 7), (7, 8), (8, 9), (1000, 100000)])
1
g.adj
输出(plain):
AdjacencyView({'Node-1': {}, 'Node-2': {}, 'Node-3': {}, 'Node-4': {}, 0: {1: {}}, 1: {2: {}, 3: {}, 0: {}}, 2: {1: {}, 3: {}}, 3: {1: {}, 2: {}, 4: {}}, 4: {3: {}, 5: {}}, 5: {4: {}, 6: {}}, 6: {5: {}, 7: {}}, 7: {6: {}, 8: {}}, 8: {7: {}, 9: {}}, 9: {8: {}}, 1000: {100000: {}}, 100000: {1000: {}}})
1
g.degree
输出(plain):
DegreeView({'Node-1': 0, 'Node-2': 0, 'Node-3': 0, 'Node-4': 0, 0: 1, 1: 3, 2: 2, 3: 3, 4: 2, 5: 2, 6: 2, 7: 2, 8: 2, 9: 1, 1000: 1, 100000: 1})

图可视化

NetworkX主要不是图形绘图包,但包含使用Matplotlib的基本绘图以及使用开源Graphviz软件包的接口。这些是networkx.drawing模块的一部分,如果已经安装在环境中, 可以将他们导入进来。

1
2
import matplotlib.pyplot as plt
%matplotlib inline
1
nx.draw(g, with_labels=True)

png

上面的图片看起来有点丑, 因为缺少必要的边把节点连起来。以后的教程中会专门介绍图的绘制。

删除节点和边

你可以一次清理掉所有的边和节点, 不过这好像没有什么用:

1
g.clear()

当然可以单独删除一个或者多个节点, 当节点不存在的时候, 会报错:

1
2
g.remove_node(2)
g.remove_nodes_from([2,3,4])
---------------------------------------------------------------------------

KeyError                                  Traceback (most recent call last)

d:\mysites\deeplearning.ai-master\.env\lib\site-packages\networkx\classes\graph.py in remove_node(self, n)
    584         try:
--> 585             nbrs = list(adj[n])  # list handles self-loops (allows mutation)
    586             del self._node[n]


KeyError: 2


During handling of the above exception, another exception occurred:


NetworkXError                             Traceback (most recent call last)

<ipython-input-22-4468ee9f3bbe> in <module>()
----> 1 g.remove_node(2)
      2 g.remove_nodes_from([2,3,4])


d:\mysites\deeplearning.ai-master\.env\lib\site-packages\networkx\classes\graph.py in remove_node(self, n)
    586             del self._node[n]
    587         except KeyError:  # NetworkXError if n not in self
--> 588             raise NetworkXError("The node %s is not in the graph." % (n,))
    589         for u in nbrs:
    590             del adj[u][n]   # remove all edges n-u in graph


NetworkXError: The node 2 is not in the graph.
1
2
3
g.add_node(1)
g.add_node(2)
g.remove_nodes_from([1,2])

使用边和邻居节点

上面有讲使用Graph.edgesGraph.adj来获取边和邻居节点, 不过我们还能使用切片的方式:

1
2
3
g.add_node(1)
g.add_node(2)
g.add_edge(1,2)

获取节点1的邻居节点:

1
g[1]
输出(plain):
AtlasView({2: {}})

获取边:

1
g.edges[1,2]
输出(plain):
{}

你可以设置边的属性:

1
g.edges[1, 2]['color'] = 'red'

你可以以循环的方式输出所有的节点对, 你可以:

1
2
for n, nbs in g.adj.items():
print(nbs)
输出(stream):
{2: {'color': 'red'}}
{1: {'color': 'red'}}

有向图

DiGraph类提供特定于有向边的附加属性,例如DiGraph.out_edges()DiGraph.in_degree()DiGraph.predecessors()DiGraph.successors()等。为了使算法能够轻松地处理这两个类, neighbor()的功能等同于successors(),而degree会报告in_degreeout_degree的总和,即使有时可能会感觉不一致。

1
2
3
dg = nx.DiGraph()
dg.add_weighted_edges_from([(1, 2, 0.5), (3, 1, 0.75)])
dg.out_degree(1, weight='weight')
输出(plain):
0.5
1
dg.nodes
输出(plain):
NodeView((1, 2, 3))

获取节点1的子节点:

1
list(dg.successors(1))
输出(plain):
[2]

获取节点1的父节点:

1
list(dg.predecessors(1))
输出(plain):
[3]

在有向图中, successorsneightbors有相同的功能:

1
list(dg.successors(1)) == list(dg.neighbors(1))
输出(plain):
True

绘制有向图:

1
nx.draw(dg, with_labels=True)

png

利用有向图实现计算图

类似tensorflow那样的计算图, 可以使用networkx来做一个原型, 这样我们可以把数据计算的流程可视化了:

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
dg.clear()
nodes1 = [
('Variable', {'name': 'avariable', 'table': 'tablename'}),
('Select', {'conditions': {'pro_code': 44}}),
('GroupBy', {'varname': 'gender'}),
('Mean', {}),
('Which1', {'level': 1}),
('Decimal1', {'place': 1}),
]

nodes2 = [
('Which1', {'level': 2}),
('Decimal2', {'place': 1}),
]

nodes3 = [
('Add', {})
]

dg.add_nodes_from(nodes1)
dg.add_nodes_from(nodes2)
dg.add_nodes_from(nodes3)
1
2
3
4
5
6
7
8
9
10
11
dg.add_edges_from([
('Variable', 'Select'),
('Select', 'GroupBy'),
('GroupBy', 'Mean'),
('Mean', 'Which1'),
('Mean', 'Which2'),
('Which1', 'Decimal1'),
('Which2', 'Decimal2'),
('Decimal1', 'Add'),
('Decimal2', 'Add'),
])
1
nx.draw(dg, with_labels=True)

png

1
2
3
class Node:
def __hash__(self):
return hash((1, 2))
1
n1=Node()
1
g.clear()
1
g.add_node(n1)
1
nx.node_link_data(g)
输出(plain):
{'directed': False,
'multigraph': False,
'graph': {},
'nodes': [{'id': <__main__.Node at 0x17b6a1f84a8>}],
'links': []}

注意
本文由jupyter notebook转换而来, 您可以在这里下载notebook
统计咨询请加QQ 2726725926, 微信 mllncn, SPSS统计咨询是收费的
微博上@mlln-cn可以向我免费题问
请记住我的网址: mlln.cn 或者 jupyter.cn

赞助

持续创造有价值的内容, 我需要你的帮助