一、NetworkX 概述
NetworkX 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析、仿真建模等工作。networkx支持创建简单无向图、有向图和多重图；内置许多标准的图论算法，节点可为任意数据；支持任意的边值维度，功能丰富。主要用于创造、操作复杂网络，以及学习复杂网络的结构、动力学及其功能。用于分析网络结构，建立网络模型，设计新的网络算法，绘制网络等等。
二、NetworkX的安装
pip install networkx -i http://pypi.douban.com/simple --trusted-host pypi.douban.com
三、NetworkX基础知识
1. 创建图
可以利用 networkx 创建四种图： Graph 、DiGraph、MultiGraph、MultiDiGraph，分别为无多重边无向图、无多重边有向图、有多重边无向图、有多重边有向图。
importnetworkasnxG=nx.Graph() G=nx.DiGraph() G=nx.MultiGraph() G=nx.MultiDiGraph()
2. 网络图的加点和加边
importnetworkxasnximportmatplotlib.pyplotaspltG=nx.DiGraph() G.add_node('z') # 添加节点zG.add_nodes_from([1, 2, 3]) # 添加节点 1 2 3G.add_edge('x', 'y') # 添加边 起点为x 终点为yG.add_edges_from([(1, 2), (1, 3), (2, 3)]) # 添加多条边# 网络图绘制与显示nx.draw(G, with_labels=True) plt.show()
运行效果如下：
为了让网络图更美观可以调节nx.draw()方法里的参数
nx.draw(G, pos=nx.random_layout(G), node_color='b', edge_color='r', with_labels=True, font_size=18, node_size=20)
- G：待绘制的网络图G
- node_size：指定节点的尺寸大小(默认是300)
- node_color: 指定节点的颜色 (可以用字符串简单标识颜色，例如’r’为红色，'g’为绿色这样)
- node_shape: 节点的形状（默认是圆形，用字符串’o’标识）
- alpha: 透明度 (默认是1.0，不透明，0为完全透明)
- width: 边的宽度 (默认为1.0)
- edge_color: 边的颜色(默认为黑色)
- style: 边的样式(默认为实现，可选： solid | dashed | dotted | dashdot
- with_labels：节点是否带标签
- font_size: 节点标签字体大小
- font_color: 节点标签字体颜色（默认为黑色）
3. 运用布局
circular_layout：节点在一个圆环上均匀分布
random_layout：节点随机分布
shell_layout：节点在同心圆上分布
spring_layout：用Fruchterman-Reingold算法排列节点（样子类似多中心放射状）
spectral_layout：根据图的拉普拉斯特征向量排列节点
绘制网络图实例如下：
importnetworkxasnximportmatplotlib.pyplotasplt# 初始化一个有向图对象DG=nx.DiGraph() DG.add_node('X') # 添加节点 传入列表DG.add_nodes_from(['A', 'B', 'C', 'D', 'E']) print(f'输出图的全部节点：{DG.nodes}') print(f'输出节点的数量：{DG.number_of_nodes()}') # 添加边 传入列表 列表里每个元素是一个元组 元组里表示一个点指向另一个点的边DG.add_edges_from([('A', 'B'), ('A', 'C'), ('A', 'D'), ('D', 'A'), ('E', 'A'), ('E', 'D')]) DG.add_edge('X', 'C') print(f'输出图的全部边:{DG.edges}') print(f'输出边的数量：{DG.number_of_edges()}') # 可自定义节点颜色colors= ['pink', 'blue', 'green', 'yellow', 'red', 'brown'] # 运用布局pos=nx.circular_layout(DG) # 绘制网络图nx.draw(DG, pos=pos, with_labels=True, node_size=200, width=0.6, node_color=colors) # 展示图片plt.show()
运行效果如下：
输出图的全部节点：['X', 'A', 'B', 'C', 'D', 'E'] 输出节点的数量：6输出图的全部边:[('X', 'C'), ('A', 'B'), ('A', 'C'), ('A', 'D'), ('D', 'A'), ('E', 'A'), ('E', 'D')] 输出边的数量：7
四、利用NetworkX实现关联类分析
利用 soccer.csv 中的数据，使用 Python 的 NetworkX 包按要求进行绘图。
1. 提取数据
统计不同俱乐部（Club）的球员数量，从球员最多的五个俱乐部抽取 50 名球员信息(球员数量最多的俱乐部抽取 30 名，剩下 4 个俱乐部各抽取 5 名)构成新的 DataFrame，打印其info()。
importpandasaspddf=pd.read_csv('soccer.csv', encoding='gbk') data=df['Club'].value_counts() # 球员人数最多的5个俱乐部clubs=list(data.index[:5]) # 球员数量最多的俱乐部抽取30名df1=df[df['Club'] ==clubs[0]].sample(30, axis=0) # 剩下4个俱乐部各抽取5名df2=df[df['Club'] ==clubs[1]].sample(5, axis=0) df3=df[df['Club'] ==clubs[2]].sample(5, axis=0) df4=df[df['Club'] ==clubs[3]].sample(5, axis=0) df5=df[df['Club'] ==clubs[4]].sample(5, axis=0) # 合并多个DataFrameresult=pd.concat([df1, df2, df3, df4, df5], axis=0, ignore_index=True) # 打乱DataFrame顺序new_result=result.sample(frac=1).reset_index(drop=True) # new_result.info()# 抽样的数据保存到excelnew_result.to_excel('samples.xlsx')
Jupyter Notebook环境中读取samples.xlsx，打印其info()，结果如下：
importpandasaspddf=pd.read_excel('samples.xlsx') df.info()
2. 画网络图
在提取出的数据的基础上，通过判断球员是否属于同一俱乐部，绘出随机分布网络图、Fruchterman-Reingold 算法排列节点网络图与同心圆分布网络图。尽可能让网络图美观，如为属于同一俱乐部的节点设置相同的颜色。
将每个球员当作网络图中一个节点，计算节点之间的连通关系，同属一个俱乐部则连通。
importpandasaspddf=pd.read_excel('samples.xlsx') df=df.loc[::, ['Name', 'Club']] print(df['Club'].value_counts()) datas=df.values.tolist() name= [datas[i][0] foriinrange(len(datas))] nodes= [str(i) foriinrange(len(datas))] club= [datas[i][1] foriinrange(len(datas))] # print(nodes)df=pd.DataFrame({'姓名': name, '节点编号': nodes, '所属俱乐部': club}) df.to_csv('nodes_info.csv') withopen('record.txt', 'w') asf: foriinrange(len(nodes)): forjinrange(i, len(nodes) -1): ifdatas[i][1] ==datas[j+1][1]: # 属于同一俱乐部f.write(f'{nodes[i]}-{nodes[j+1]}-{datas[i][1]}'+'\n')
(1) 随机分布网络图
importnetworkxasnximportmatplotlib.pyplotaspltimportpandasaspdfromcollectionsimportCounterdf=pd.read_csv('nodes_info.csv')['所属俱乐部'] items=df.valuesprint(Counter(items)) node_colors= [] # 5个俱乐部 属于同一个俱乐部的节点设置相同颜色foriteminitems: ifitem=='Free Agents': node_colors.append('red') elifitem=='Real Madrid': node_colors.append('yellow') elifitem=='Chelsea': node_colors.append('blue') elifitem=='FC Barcelona': node_colors.append('green') elifitem=='Manchester Utd': node_colors.append('pink') DG=nx.MultiGraph() DG.add_nodes_from([str(i) foriinrange(0, 50)]) DG.nodes() withopen('record.txt', 'r') asf: con=f.read().split('\n') edges_list= [] foriincon[:-1]: edges_list.append(tuple(i.split('-')[:2])) print(edges_list) DG.add_edges_from(edges_list) # 运用布局pos=nx.random_layout(DG) # 节点随机分布# 绘制网络图nx.draw(DG, pos, with_labels=True, node_size=200, width=0.6, node_color=node_colors) # 显示图片plt.show()
运行效果如下：
(2) Fruchterman-Reingold 算法排列节点网络图
importnetworkxasnximportmatplotlib.pyplotaspltimportpandasaspdfromcollectionsimportCounterdf=pd.read_csv('nodes_info.csv')['所属俱乐部'] items=df.valuesprint(Counter(items)) node_colors= [] # 5个俱乐部 属于同一个俱乐部的节点设置相同颜色foriteminitems: ifitem=='Free Agents': node_colors.append('red') elifitem=='Real Madrid': node_colors.append('yellow') elifitem=='Chelsea': node_colors.append('blue') elifitem=='FC Barcelona': node_colors.append('green') elifitem=='Manchester Utd': node_colors.append('pink') DG=nx.MultiGraph() DG.add_nodes_from([str(i) foriinrange(0, 50)]) DG.nodes() withopen('record.txt', 'r') asf: con=f.read().split('\n') edges_list= [] foriincon[:-1]: edges_list.append(tuple(i.split('-')[:2])) print(edges_list) DG.add_edges_from(edges_list) # 运用布局pos=nx.spring_layout(DG) # 用Fruchterman-Reingold算法排列节点（样子类似多中心放射状）# 绘制网络图nx.draw(DG, pos, node_size=10, width=0.6, node_color=node_colors) # 显示图片plt.show()
运行效果如下：
(3) 同心圆分布网络图
importnetworkxasnximportmatplotlib.pyplotaspltimportpandasaspdfromcollectionsimportCounterdf=pd.read_csv('nodes_info.csv')['所属俱乐部'] items=df.valuesprint(Counter(items)) node_colors= [] # 5个俱乐部 属于同一个俱乐部的节点设置相同颜色foriteminitems: ifitem=='Free Agents': node_colors.append('red') elifitem=='Real Madrid': node_colors.append('yellow') elifitem=='Chelsea': node_colors.append('blue') elifitem=='FC Barcelona': node_colors.append('green') elifitem=='Manchester Utd': node_colors.append('pink') DG=nx.MultiGraph() DG.add_nodes_from([str(i) foriinrange(0, 50)]) DG.nodes() withopen('record.txt', 'r') asf: con=f.read().split('\n') edges_list= [] foriincon[:-1]: edges_list.append(tuple(i.split('-')[:2])) print(edges_list) DG.add_edges_from(edges_list) # 运用布局pos=nx.shell_layout(DG) # 节点在同心圆上分布# 绘制网络图nx.draw(DG, pos, with_labels=True, node_size=200, width=0.6, node_color=node_colors) # 显示图片plt.show()
运行效果如下：
