Python networkx tutorial教程

简介: Python networkx tutorial教程

Python networkx tutorial教程


官网地址:

https://networkx.org/documentation/stable/tutorial.html

本文主要对官网进行翻译理解。

一、建图

1、建立一个没有边没有节点的空图

import networkx as nx
G = nx.Graph()

根据定义,图是节点(顶点)和确定的节点对(称为边、链接等)的集合。在NetworkX中,节点可以是任何可哈希对象,例如,一个文本字符串、一张图像、一个XML对象、另一个图形、一个定制的节点对象等。

二、节点(Nodes)

图G可以通过几种方式增长。NetworkX 包含许多图形生成器函数和工具,可以以多种格式读取和写入图形。首先,可以一次添加一个节点:

G.add_node(1)

或者从任何可迭代容器(如列表)中添加节点:

G.add_nodes_from([2, 3])

如果容器产生如下形式的二元组 (node, node_attribute_dict),也可以在添加节点属性的同时添加节点:

G.add_nodes_from([
    (4, {"color": "red"}),
    (5, {"color": "green"}),
])

一个图中的节点可以合并到另一个图中:

H = nx.path_graph(10)
G.add_nodes_from(H)

G现在包含了H的节点作为G的节点,相反,你可以使用图形H作为G的节点:

G.add_node(H)

三、边(Edges)

G也可以通过每次增加一条边来增加:

G.add_edge(1, 2)
e = (2, 3)
G.add_edge(*e)  # unpack edge tuple*

通过添加一系列边:

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

或者通过添加任意一条边。ebunch是边元组的任何可迭代容器。一个边元组可以是一个包含节点的二元元组,也可以是一个包含两个节点的三元元组,后跟一个边属性字典,例如(2,3,{'weight': 3.1415})。

G.add_edges_from(H.edges)

在添加现有节点或边时没有问题。例如,在删除所有节点和边后:

G.clear()

我们添加了新的节点/边,NetworkX悄悄地忽略了所有已经存在的节点/边。

G.add_edges_from([(1, 2), (1, 3)])
G.add_node(1)
G.add_edge(1, 2)
G.add_node("spam")        # adds node "spam"
G.add_nodes_from("spam")  # adds 4 nodes: 's', 'p', 'a', 'm'
G.add_edge(3, 'm')

此时图G由8个节点和3条边组成,用下边的代码可以得出:

G.number_of_nodes()
G.number_of_edges()
相关文章
|
25天前
|
数据可视化 DataX Python
Seaborn 教程-绘图函数
Seaborn 教程-绘图函数
49 8
|
25天前
Seaborn 教程-主题(Theme)
Seaborn 教程-主题(Theme)
79 7
|
25天前
|
Python
Seaborn 教程-模板(Context)
Seaborn 教程-模板(Context)
48 4
|
25天前
|
数据可视化 Python
Seaborn 教程
Seaborn 教程
46 5
|
2月前
|
Python
SciPy 教程 之 Scipy 显著性检验 9
SciPy 教程之 Scipy 显著性检验第9部分,介绍了显著性检验的基本概念、作用及原理,通过样本信息判断假设是否成立。着重讲解了使用scipy.stats模块进行显著性检验的方法,包括正态性检验中的偏度和峰度计算,以及如何利用normaltest()函数评估数据是否符合正态分布。示例代码展示了如何计算一组随机数的偏度和峰度。
34 1
|
2月前
|
BI Python
SciPy 教程 之 Scipy 显著性检验 8
本教程介绍SciPy中显著性检验的应用,包括如何利用scipy.stats模块进行显著性检验,以判断样本与总体假设间的差异是否显著。通过示例代码展示了如何使用describe()函数获取数组的统计描述信息,如观测次数、最小最大值、均值、方差等。
34 1
|
2月前
|
数据采集 数据可视化 数据挖掘
深入浅出:使用Python进行数据分析的基础教程
【10月更文挑战第41天】本文旨在为初学者提供一个关于如何使用Python语言进行数据分析的入门指南。我们将通过实际案例,了解数据处理的基本步骤,包括数据的导入、清洗、处理、分析和可视化。文章将用浅显易懂的语言,带领读者一步步掌握数据分析师的基本功,并在文末附上完整的代码示例供参考和实践。
|
2月前
|
Python
SciPy 教程 之 Scipy 显著性检验 6
显著性检验是统计学中用于判断样本与总体假设间是否存在显著差异的方法。SciPy的scipy.stats模块提供了执行显著性检验的工具,如T检验,用于比较两组数据的均值是否来自同一分布。通过ttest_ind()函数,可以获取两样本的t统计量和p值,进而判断差异是否显著。示例代码展示了如何使用该函数进行T检验并输出结果。
32 1
|
2月前
|
Python
SciPy 教程 之 Scipy 显著性检验 3
本教程介绍Scipy显著性检验,包括其基本概念、原理及应用。显著性检验用于判断样本与总体假设间的差异是否显著,是统计学中的重要工具。Scipy通过`scipy.stats`模块提供了相关功能,支持双边检验等方法。
43 1
|
2月前
|
机器学习/深度学习 Python
SciPy 教程 之 SciPy 插值 2
SciPy插值教程:介绍插值概念及其在数值分析中的应用,特别是在处理数据缺失时的插补和平滑数据集。SciPy的`scipy.interpolate`模块提供了强大的插值功能,如一维插值和样条插值。通过`UnivariateSpline()`函数,可以轻松实现单变量插值,示例代码展示了如何对非线性点进行插值计算。
33 3