networkx入门

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。

边

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()

1

g.number_of_edges()

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

1

g.edges

1

g.adj

1

g.degree

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)

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.edges和Graph.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]

获取边:

1

g.edges[1,2]

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)

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_degree和out_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')

1

dg.nodes

获取节点1的子节点:

1

list(dg.successors(1))

获取节点1的父节点:

1

list(dg.predecessors(1))

在有向图中, successors和neightbors有相同的功能:

1

list(dg.successors(1)) == list(dg.neighbors(1))

绘制有向图:

1

nx.draw(dg, with_labels=True)

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)

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)

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