教程#

本指南可以帮助您开始使用NetworkX。

创建图形#

创建一个没有节点和边的空图形。

>>> import networkx as nx
>>> G = nx.Graph()

根据定义,a Graph 是一组节点(顶点)和已识别的节点对(称为边、链接等)的集合。在NetworkX中,节点可以是任何 hashable 对象,例如文本字符串、图像、XML对象、另一个图形、自定义节点对象等。

备注

巨蟒的 None 对象不允许用作节点。它确定是否已在许多函数中分配了可选函数参数。

结点#

图表 G 可以通过几种方式生长。NetworkX包括许多 graph generator functionsfacilities to read and write graphs in many formats 。不过,在开始之前,我们将看一下简单的操作。您可以一次添加一个节点,

>>> G.add_node(1)

或从任何 iterable 容器,如列表

>>> G.add_nodes_from([2, 3])

如果容器产生2个元组形式,还可以添加节点和节点属性 (node, node_attribute_dict) ::

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

进一步讨论节点属性 below .

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 现在包含的节点 H 作为节点 G . 相反,您可以使用图表 H 作为一个节点 G .

>>> G.add_node(H)

G 现在包含 H 作为节点。这种灵活性非常强大,因为它允许图形、文件图形、函数图形等等。值得考虑如何构造应用程序,使节点成为有用的实体。当然,在 G 如果您愿意的话,还可以使用一个由标识符为节点信息键入的独立字典。

备注

如果散列值依赖于节点对象的内容,则不应更改该对象。

边缘#

G 也可以通过一次添加一个边来生长,

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

通过添加边列表,

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

或者通过添加 ebunch 边缘的安 埃班斯 是边缘元组的任何可重写容器。边元组可以是节点的2个元组,也可以是具有2个节点、后跟边属性字典的3个元组,例如, (2, 3, {{'weight': 3.1415}}) . 进一步讨论了边缘属性 below .

>>> G.add_edges_from(H.edges)

添加现有节点或边时没有投诉。例如,删除所有节点和边之后,

>>> G.clear()

我们添加新的节点/边缘,NetworkX会悄悄地忽略已经存在的任何节点/边缘。

>>> 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')

在这个阶段,图表 G 由8个节点和3个边组成,如下所示:

>>> G.number_of_nodes()
8
>>> G.number_of_edges()
3

备注

邻接报告的顺序(例如, G.adjG.successorsG.predecessors )是边相加的顺序。然而,G边的顺序是邻接的顺序,它既包括节点的顺序,也包括每个节点的邻接。请参见下面的示例:

>>> DG = nx.DiGraph()
>>> DG.add_edge(2, 1)   # adds the nodes in order 2, 1
>>> DG.add_edge(1, 3)
>>> DG.add_edge(2, 4)
>>> DG.add_edge(1, 2)
>>> assert list(DG.successors(2)) == [1, 4]
>>> assert list(DG.edges) == [(2, 1), (2, 4), (1, 3), (1, 2)]

检查图的元素#

我们可以检查节点和边。四个基本图形属性有助于报告: G.nodesG.edgesG.adjG.degree 。这些是图形中节点、边、邻居(邻接)和度的集合式视图。它们为图表结构提供了不断更新的只读视图。它们还类似于字典,因为您可以通过视图查找结点和边数据属性,并使用方法迭代数据属性 .items().data() 。如果您想要特定的容器类型而不是视图,您可以指定一个。这里我们使用列表,尽管集合、字典、元组和其他容器在其他上下文中可能更好。

>>> list(G.nodes)
[1, 2, 3, 'spam', 's', 'p', 'a', 'm']
>>> list(G.edges)
[(1, 2), (1, 3), (3, 'm')]
>>> list(G.adj[1])  # or list(G.neighbors(1))
[2, 3]
>>> G.degree[1]  # the number of edges incident to 1
2

可以指定使用 nbunch . 安 纳布斯 是否属于: None (指所有节点)、一个节点或节点的iterable容器,它本身不是图中的节点。

>>> G.edges([2, 'm'])
EdgeDataView([(2, 1), ('m', 3)])
>>> G.degree([2, 3])
DegreeView({2: 1, 3: 2})

从图形中删除元素#

可以用与添加类似的方式从图形中删除节点和边。使用方法 Graph.remove_node()Graph.remove_nodes_from()Graph.remove_edge()Graph.remove_edges_from() ,例如

>>> G.remove_node(2)
>>> G.remove_nodes_from("spam")
>>> list(G.nodes)
[1, 3, 'spam']
>>> G.remove_edge(1, 3)

使用图形构造函数#

图形对象不必以增量方式构建——指定图形结构的数据可以直接传递给各种图形类的构造函数。当通过实例化一个图形类来创建一个图结构时,可以用几种格式指定数据。

>>> G.add_edge(1, 2)
>>> H = nx.DiGraph(G)  # create a DiGraph using the connections from G
>>> list(H.edges())
[(1, 2), (2, 1)]
>>> edgelist = [(0, 1), (1, 2), (2, 3)]
>>> H = nx.Graph(edgelist)  # create a graph from an edge list
>>> list(H.edges())
[(0, 1), (1, 2), (2, 3)]
>>> adjacency_dict = {0: (1, 2), 1: (0, 2), 2: (0, 1)}
>>> H = nx.Graph(adjacency_dict)  # create a Graph dict mapping nodes to nbrs
>>> list(H.edges())
[(0, 1), (0, 2), (1, 2)]

用作节点和边的内容#

您可能会注意到节点和边没有指定为networkx对象。这使您可以自由地将有意义的项用作节点和边。最常见的选择是数字或字符串,但是节点可以是任何可哈希对象(除了 None )并且边缘可以与任何对象关联 x 使用 G.add_edge(n1, n2, object=x) .

作为一个例子, n1n2 可能是来自RCSB蛋白质数据库的蛋白质对象,以及 x 可以参考出版物的XML记录,该记录详细描述了它们交互的实验观察结果。

我们发现这种能力非常有用,但是如果不熟悉Python,它的滥用会导致令人惊讶的行为。如果有疑问,考虑使用 convert_node_labels_to_integers() 以获得更传统的带有整数标签的图形。

访问边缘和邻居#

除了视图 Graph.edgesGraph.adj ,可以使用下标表示法访问边和邻居。

>>> G = nx.Graph([(1, 2, {"color": "yellow"})])
>>> G[1]  # same as G.adj[1]
AtlasView({2: {'color': 'yellow'}})
>>> G[1][2]
{'color': 'yellow'}
>>> G.edges[1, 2]
{'color': 'yellow'}

如果边已经存在,可以使用下标表示法获取/设置边的属性。

>>> G.add_edge(1, 3)
>>> G[1][3]['color'] = "blue"
>>> G.edges[1, 2]['color'] = "red"
>>> G.edges[1, 2]
{'color': 'red'}

使用 G.adjacency()G.adj.items() . 注意,对于无向图,邻接迭代可以看到每个边两次。

>>> FG = nx.Graph()
>>> FG.add_weighted_edges_from([(1, 2, 0.125), (1, 3, 0.75), (2, 4, 1.2), (3, 4, 0.375)])
>>> for n, nbrs in FG.adj.items():
...    for nbr, eattr in nbrs.items():
...        wt = eattr['weight']
...        if wt < 0.5: print(f"({n}, {nbr}, {wt:.3})")
(1, 2, 0.125)
(2, 1, 0.125)
(3, 4, 0.375)
(4, 3, 0.375)

使用边缘属性可以方便地访问所有边缘。

>>> for (u, v, wt) in FG.edges.data('weight'):
...     if wt < 0.5:
...         print(f"({u}, {v}, {wt:.3})")
(1, 2, 0.125)
(3, 4, 0.375)

向图形、节点和边添加属性#

诸如权重、标签、颜色或任何您喜欢的python对象等属性都可以附加到图形、节点或边上。

每个图、节点和边都可以在关联的属性字典中保存键/值属性对(键必须是可哈希的)。默认情况下,这些属性为空,但可以使用 add_edgeadd_node 或直接操作命名的属性字典 G.graphG.nodesG.edges 对于图 G .

图形属性#

创建新图形时分配图形属性

>>> G = nx.Graph(day="Friday")
>>> G.graph
{'day': 'Friday'}

或者您可以稍后修改属性

>>> G.graph['day'] = "Monday"
>>> G.graph
{'day': 'Monday'}

节点属性#

使用添加节点属性 add_node()add_nodes_from()G.nodes

>>> G.add_node(1, time='5pm')
>>> G.add_nodes_from([3], time='2pm')
>>> G.nodes[1]
{'time': '5pm'}
>>> G.nodes[1]['room'] = 714
>>> G.nodes.data()
NodeDataView({1: {'time': '5pm', 'room': 714}, 3: {'time': '2pm'}})

请注意,将节点添加到 G.nodes 不将其添加到图表中,使用 G.add_node() 添加新节点。同样适用于边缘。

边缘属性#

使用添加/更改边缘属性 add_edge()add_edges_from() 或下标符号。

>>> G.add_edge(1, 2, weight=4.7 )
>>> G.add_edges_from([(3, 4), (4, 5)], color='red')
>>> G.add_edges_from([(1, 2, {'color': 'blue'}), (2, 3, {'weight': 8})])
>>> G[1][2]['weight'] = 4.7
>>> G.edges[3, 4]['weight'] = 4.2

特殊属性 weight 应该是数字,因为它被需要加权边缘的算法使用。

有向图#

这个 DiGraph 类提供特定于有向边的附加方法和属性,例如, DiGraph.out_edgesDiGraph.in_degreeDiGraph.predecessorsDiGraph.successors 等。为了允许算法轻松地处理这两个类, neighbors 相当于 successors 而当 degree 报告的总和 in_degreeout_degree 尽管这有时可能会让人感觉不一致。

>>> DG = nx.DiGraph()
>>> DG.add_weighted_edges_from([(1, 2, 0.5), (3, 1, 0.75)])
>>> DG.out_degree(1, weight='weight')
0.5
>>> DG.degree(1, weight='weight')
1.25
>>> list(DG.successors(1))
[2]
>>> list(DG.neighbors(1))
[2]

有些算法只适用于有向图,而另一些算法不适用于有向图。实际上,将有向图和无向图集中在一起的趋势是危险的。如果要将有向图视为某些度量的无向图,则应该使用 Graph.to_undirected() 或与

>>> H = nx.Graph(G)  # create an undirected graph H from a directed graph G

多重图#

NetworkX为允许任意节点对之间存在多个边的图形提供类。这个 MultiGraphMultiDiGraph 类允许您两次添加相同的边缘,可能使用不同的边缘数据。这对某些应用程序来说可能很强大,但许多算法在此类图上没有很好的定义。如果结果定义明确,例如: MultiGraph.degree() 我们提供功能。否则,您应该以一种使测量定义良好的方式转换为标准图。

>>> MG = nx.MultiGraph()
>>> MG.add_weighted_edges_from([(1, 2, 0.5), (1, 2, 0.75), (2, 3, 0.5)])
>>> dict(MG.degree(weight='weight'))
{1: 1.25, 2: 1.75, 3: 0.5}
>>> GG = nx.Graph()
>>> for n, nbrs in MG.adjacency():
...    for nbr, edict in nbrs.items():
...        minvalue = min([d['weight'] for d in edict.values()])
...        GG.add_edge(n, nbr, weight = minvalue)
...
>>> nx.shortest_path(GG, 1, 3)
[1, 2, 3]

图形生成器和图形操作#

除了逐节点或逐边构造图外,还可以通过

1.应用经典的图形操作,例如:#

subgraph(G, nbunch)

返回在nbunch中的节点上诱导的子图。

union(G, H[, rename, name])

返回图g和h的并集。

disjoint_union(G, H)

返回图G和图H的不相交的并集。

cartesian_product(G, H)

返回g和h的笛卡尔积。

compose(G, H)

返回由h组成的g的新图。

complement(G)

返回g的图补。

create_empty_copy(G[, with_data])

返回图形G的副本,并删除所有边。

to_undirected(graph)

返回图表的无向视图 graph .

to_directed(graph)

返回图形的定向视图 graph .

2.使用对经典小图形之一的调用,例如,#

petersen_graph([create_using])

返回彼得森图。

tutte_graph([create_using])

返回图特图。

sedgewick_maze_graph([create_using])

返回一个带有循环的小迷宫。

tetrahedral_graph([create_using])

返回3正则柏拉图四面体图形。

3.使用经典图形的(构造性)生成器,例如,#

complete_graph(n[, create_using])

返回完整图形 K_n 具有n个节点。

complete_bipartite_graph(n1, n2[, create_using])

返回完整的二部图 K_{{n_1,n_2}} .

barbell_graph(m1, m2[, create_using])

返回杠铃图:由路径连接的两个完整图。

lollipop_graph(m, n[, create_using])

返回棒棒糖图; K_m 连接到 P_n .

像这样:

>>> K_5 = nx.complete_graph(5)
>>> K_3_5 = nx.complete_bipartite_graph(3, 5)
>>> barbell = nx.barbell_graph(10, 10)
>>> lollipop = nx.lollipop_graph(10, 20)

4.使用随机图形生成器,例如,#

erdos_renyi_graph(n, p[, seed, directed])

返回一个 \(G_{{n,p}}\) 随机图,也称为Erdős-Rényi图或二叉图。

watts_strogatz_graph(n, k, p[, seed])

返回Watts–Strogaz小世界图。

barabasi_albert_graph(n, m[, seed, ...])

返回使用Barabási-Albert优先附件的随机图

random_lobster(n, p1, p2[, seed])

返回随机龙虾图。

像这样:

>>> er = nx.erdos_renyi_graph(100, 0.15)
>>> ws = nx.watts_strogatz_graph(30, 3, 0.1)
>>> ba = nx.barabasi_albert_graph(100, 5)
>>> red = nx.random_lobster(100, 0.9, 0.9)

5.使用常用图形格式读取存储在文件中的图形#

NetworkX支持许多流行的格式,如边缘列表、邻接列表、GML、GraphML、PICLE、LEDA等。

>>> nx.write_gml(red, "path.to.file")
>>> mygraph = nx.read_gml("path.to.file")

有关图形格式的详细信息,请参见 读写图表 关于图形生成器函数,请参见 图形生成器

分析图形#

的结构 G 可以使用各种图论函数进行分析,例如:

>>> G = nx.Graph()
>>> G.add_edges_from([(1, 2), (1, 3)])
>>> G.add_node("spam")       # adds node "spam"
>>> list(nx.connected_components(G))
[{1, 2, 3}, {'spam'}]
>>> sorted(d for n, d in G.degree())
[0, 1, 1, 2]
>>> nx.clustering(G)
{1: 0, 2: 0, 3: 0, 'spam': 0}

一些具有大输出的函数迭代(节点、值)2元组。这些很容易存储在 dict 结构,如果你愿意的话。

>>> sp = dict(nx.all_pairs_shortest_path(G))
>>> sp[3]
{3: [3], 1: [3, 1], 2: [3, 1, 2]}

算法 有关支持的图形算法的详细信息。

图形绘制#

NetworkX主要不是一个图形绘制包,但包括了Matplotlib的基本绘制以及使用开源Graphviz软件包的接口。这些都是 networkx.drawing 模块,并将在可能的情况下导入。

首先导入Matplotlib的绘图接口(Pylab也可以工作)

>>> import matplotlib.pyplot as plt

要测试是否导入 nx_pylab 是成功的平局 G 使用以下选项之一

>>> G = nx.petersen_graph()
>>> subax1 = plt.subplot(121)
>>> nx.draw(G, with_labels=True, font_weight='bold')
>>> subax2 = plt.subplot(122)
>>> nx.draw_shell(G, nlist=[range(5, 10), range(5)], with_labels=True, font_weight='bold')

(png, hires.png, pdf)

_images/tutorial-34.png

当绘制到交互显示时。请注意,您可能需要发布matplotlib

>>> plt.show()  

如果您没有在交互模式下使用matplotlib,请使用命令。

>>> options = {
...     'node_color': 'black',
...     'node_size': 100,
...     'width': 3,
... }
>>> subax1 = plt.subplot(221)
>>> nx.draw_random(G, **options)
>>> subax2 = plt.subplot(222)
>>> nx.draw_circular(G, **options)
>>> subax3 = plt.subplot(223)
>>> nx.draw_spectral(G, **options)
>>> subax4 = plt.subplot(224)
>>> nx.draw_shell(G, nlist=[range(5,10), range(5)], **options)

(png, hires.png, pdf)

_images/tutorial-35.png

您可以通过以下方式找到其他选项 draw_networkx() 和布局通过 layout module 。您可以将多个外壳与 draw_shell()

>>> G = nx.dodecahedral_graph()
>>> shells = [[2, 3, 4, 5, 6], [8, 1, 0, 19, 18, 17, 16, 15, 14, 7], [9, 10, 11, 12, 13]]
>>> nx.draw_shell(G, nlist=shells, **options)

(png, hires.png, pdf)

_images/tutorial-36.png

例如,要将图形保存到文件中,请使用

>>> nx.draw(G)
>>> plt.savefig("path.png")

此函数用于写入文件 path.png 在本地目录中。如果您的系统上有Graphviz和PyGraphviz或PYDot,您还可以使用 networkx.drawing.nx_agraph.graphviz_layoutnetworkx.drawing.nx_pydot.graphviz_layout 以获取节点位置,或以点格式写出图形以供进一步处理。

>>> from networkx.drawing.nx_pydot import write_dot
>>> pos = nx.nx_agraph.graphviz_layout(G)
>>> nx.draw(G, pos=pos)
>>> write_dot(G, 'file.dot')

绘图 更多细节。