这是“政治博客圈和2004年美国大选”中的政治博客网络图，但是边缘束是使用随机块模型确定的（注：下图与图相同（即，布局和数据相同））。Tiago论文中的5-我只是在上面放了一个黑色背景 。
边缘配色方案与Adamic和Glance的原始论文中的相同，即每个节点对应一个博客URL，颜色反映政治取向，红色代表保守派，蓝色代表自由派。橙色边从自由派博客到保守派博客，紫色边从保守派到自由派（参见Adamic和Glance中的图1）。
颜色方案与原始论文中的颜色方案相同，即每个节点对应一个博客URL，颜色反映政治取向，红色代表保守派，蓝色代表自由派。橙色边从自由派博客到保守派博客，紫色边从保守派到自由派（参见Adamic和Glance中的图1）。绘制了所有1,490个节点和19,090条边。
每个博客的网址都在每个节点旁边绘制，这是一个特写：
import graph_tool.all as gt import math g = gt.collection.data["polblogs"] # http://www2.scedu.unibo.it/roversi/SocioNet/AdamicGlanceBlogWWW.pdf
使颜色正确需要一些调整：
#use 1->Republican, 2->Democrat red_blue_map = {1:(1,0,0,1),0:(0,0,1,1)} plot_color = g.new_vertex_property('vector<double>') g.vertex_properties['plot_color'] = plot_color for v in g.vertices(): plot_color[v] = red_blue_map[g.vertex_properties['value'][v]]
为了使用分层边缘捆绑算法，我们首先需要进行某种聚类。一种明显的方法是根据其政治隶属关系为每个节点分配一个群集：
这些集群用于形成一个层次结构，该层次结构使人们可以轻松确定标准的树布局（如下图所示）。通过沿树内插来绘制层次边缘束。
这是上图使用的树：
最后，我们设置文本旋转并保存图形。
