1、NetworkX 图论与网络工具包

NetworkX 是基于 Python 语言的图论与复杂网络工具包,用于创建、操作和研究复杂网络的结构、动力学和功能。

NetworkX 可以以标准和非标准的数据格式描述图与网络,生成图与网络,分析网络结构,构建网络模型,设计网络算法,绘制网络图形。

NetworkX 提供了图形的类、对象、图形生成器、网络生成器、绘图工具,内置了常用的图论和网络分析算法,可以进行图和网络的建模、分析和仿真。

NetworkX 的官网和文档

官网地址:https://networkx.org/

官方文档: https://networkx.org/documentation/stable/

pdf 文档: https://networkx.org/documentation/stable/_downloads/networkx_reference.pdf

NetworkX 的安装

NetworkX 的安装要求:Python 3.2 以上版本,推荐安装 NumPy、SciPy、Matplotlib、Graphviz 工具包的支持。

pip 安装:

  

pip3 install networkx

pip3 install networkx -i https://mirrors.aliyun.com/pypi/simple

本系列写作计划

NetworkX 的功能非常强大和庞杂,所涉及内容远远、远远地超出了数学建模的范围,甚至于花了很长时间还不能对其进行比较系统的概括。

本系列以数模学习和应用的需求为主线,介绍相关的基本功能和典型算法的应用。

  

=== 关注 Youcans 原创系列(https://www.cnblogs.com/youcans/)


2、图、顶点和边的创建与基本操作

图由顶点和连接顶点的边构成,但与顶点的位置、边的曲直长短无关。

图提供了一种处理关系和交互等抽象概念的更好的方法,它还提供了直观的视觉方式来思考这些概念。

Networkx支持创建简单无向图、有向图和多重图(multigraph);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,简单易用。

2.1 图的基本概念

  • 图(Graph)。若干点和一些连接这些点的连线,所构成关系结构就是一个图。
  • 顶点(Node)和边(Edge)。图中的点称为顶点,也称节点。两个顶点之间的连线,称为边。
  • 平行边(Parallel edge)和循环(Cycle)。起点相同、终点也相同的两条边称为平行边。起点和终点重合的边称为循环。
  • 有向图(Digraph)和无向图(Undirected graph)。图中的每条边都带有方向,称为有向图;图中的每条边都没有方向,称为无向图;有的边带有方向,有的边没有方向,称为混合图。
  • 赋权图(Weighted graph)。图中的每条边都有一个或多个对应的参数,称为赋权图。该参数称为这条边的权,权可以用来表示两点间的距离、时间、费用。
  • 度(Degree)。与顶点相连的边的数量,称为该顶点的度。

2.2 图、顶点和边的操作

Networkx很容易创建图、向图中添加顶点和边、从图中删除顶点和边,也可以查看、删除顶点和边的属性。

图的创建

Graph()类、DiGraph()类、MultiGraph()类和MultiDiGraph() 类分别用来创建 无向图、有向图、多图和有向多图。

class Graph(incoming_graph_data=None, **attr)

import networkx as nx
import networkx as nx # 导入 NetworkX 工具包
# 创建 图
G1 = nx.Graph() # 创建:空的 无向图
G2 = nx.DiGraph() #创建:空的 有向图
G3 = nx.MultiGraph() #创建:空的 多图
G4 = nx.MultiDiGraph() #创建:空的 有向多图

顶点的添加、删除和查看

图的每个顶点都有唯一的标签属性(label),可以用整数或字符类型表示,顶点还可以自定义任意属性。

顶点的常用操作:添加顶点,删除顶点,定义顶点属性,查看顶点和顶点属性。

# 顶点(node)的操作
G1.add_node(1) # 向 G1 添加顶点 1
G1.add_node(1,name='n1',weight=1.0) # 添加顶点 1,定义 name, weight 属性
G1.add_node(2,date='May-16') # 添加顶点 2,定义 time 属性
G1.add_nodes_from([3, 0, 6], dist=1) # 添加多个顶点:3,0,6
# 查看顶点和顶点属性
print(G1.nodes()) # 查看顶点
# [1, 2, 3, 0, 6]
print(G1._node) # 查看顶点属性
# {1: {'name': 'n1', 'weight': 1.0}, 2: {'date': 'May-16'}, 3: {'dist': 1}, 0: {'dist': 1}, 6: {'dist': 1}}
H = nx.path_graph(8) # 创建 路径图 H:由 n个节点、n-1条边连接,节点标签为 0 至 n-1
G1.add_nodes_from(H) # 由路径图 H 向图 G1 添加顶点 0~9
print(G1.nodes()) # 查看顶点
# [1, 2, 3, 0, 6, 4, 5, 7] # 顶点列表
G1.add_nodes_from(range(10, 15)) # 向图 G1 添加顶点 10~14
print(G1.nodes()) # 查看顶点
# [1, 2, 3, 0, 6, 4, 5, 7, 10, 11, 12, 13, 14]
# 从图中删除顶点
G1.remove_nodes_from([1, 11, 13, 14]) # 通过顶点标签的 list 删除多个顶点
print(G1.nodes()) # 查看顶点
# [2, 3, 0, 6, 4, 5, 7, 10, 12] # 顶点列表
# === 关注 Youcans 原创系列(https://www.cnblogs.com/youcans/)

边的添加、删除和查看

边是两个顶点之间的连接,在 NetworkX 中用 边是由对应顶点的名字的元组组成 e=(node1,node2)。边可以设置权重、关系等属性。

边的常用操作:添加边,删除边,定义边的属性,查看边和边的属性。向图中添加边时,如果添加的边的顶点是图中不存在的,则自动向图中添加该顶点。

# 边(edge)的操作
G1.add_edge(1,5) # 向 G1 添加边 1-5,并自动添加图中没有的顶点
G1.add_edge(0,10, weight=2.7) # 向 G1 添加边 0-10,并设置属性
G1.add_edges_from([(1,2,{'weight':0}), (2,3,{'color':'blue'})]) # 向图中添加边,并设置属性
print(G1.nodes()) # 查看顶点
# [2, 3, 0, 6, 4, 5, 7, 10, 12, 1] # 自动添加了图中没有的顶点 1
G1.add_edges_from([(3,6),(1,2),(6,7),(5,10),(0,1)]) # 向图中添加多条边
G1.add_weighted_edges_from([(1,2,3.6),[6,12,0.5]]) # 向图中添加多条赋权边: (node1,node2,weight)
G1.remove_edge(0,1) # 从图中删除边 0-1
# G1.remove_edges_from([(2,3),(1,5),(6,7)]) # 从图中删除多条边
# print(G1.edges(data=True)) # 查看所有边的属性
print(G1.edges) # 查看所有边
# [(2, 1), (2, 3), (3, 6), (0, 10), (6, 7), (6, 12), (5, 1), (5, 10)]
print(G1.get_edge_data(1,2)) # 查看指定边 1-2 的属性
# {'weight': 3.6}
print(G1[1][2]) # 查看指定边 1-2 的属性
# {'weight': 3.6}

查看图、顶点和边的信息

print(G1.nodes)  # 返回所有的顶点 [node1,...]
# [1, 2, 0, 6, 4, 12, 5, 9, 8, 3, 7]
print(G1.edges) # 返回所有的边 [(node1,node2),...]
# [(1,5), (1,2), (2,8), (2,3), (0,9), (6,5), (6,7), (6,12), (4,3), (4,5), (9,8), (8,7)]
print(G1.degree) # 返回各顶点的度 [(node1,degree1),...]
# [(1,2), (2,3), (0,1), (6,3), (4,2), (12,1), (5,3), (9,2), (8,3), (3,2), (7,2)]
print(G1.number_of_nodes()) # 返回所有的顶点 [node1,...]
# 11
print(G1.number_of_edges()) # 返回所有的顶点 [node1,...]
# 12
print(G1[2]) # 返回指定顶点相邻的顶点和顶点的属性
# {1: {'weight': 3.6}, 8: {'color': 'blue'}, 3: {}}
print(G1.adj[2]) # 返回指定顶点相邻的顶点和顶点的属性
# {1: {'weight': 3.6}, 8: {'color': 'blue'}, 3: {}}
print(G1[6][12]) # 返回指定边的属性
# {'weight': 0.5}
print(G1.adj[6][12]) # 返回指定边的属性
# {'weight': 0.5}
print(G1.degree(5)) # 返回指定顶点的度
# 3
print('nx.info:',nx.info(G1)) # 返回图的基本信息
print('nx.degree:',nx.degree(G1)) # 返回图中各顶点的度
print('nx.density:',nx.degree_histogram(G1)) # 返回图中度的分布
print('nx.pagerank:',nx.pagerank(G1)) # 返回图中各顶点的频率分布

2.3 图的属性和方法

图的方法

方法 说明
G.has_node(n) 当图 G 中包括顶点 n 时返回 True
G.has_edge(u, v) 当图 G 中包括边 (u,v) 时返回 True
G.number_of_nodes() 返回 图 G 中的顶点的数量
G.number_of_edges() 返回 图 G 中的边的数量
G.number_of_selfloops() 返回 图 G 中的自循环边的数量
G.degree([nbunch, weight]) 返回 图 G 中的全部顶点或指定顶点的度
G.selfloop_edges([data, default]) 返回 图 G 中的全部的自循环边
G.subgraph([nodes]) 从图 G1中抽取顶点[nodes]及对应边构成的子图
union(G1,G2) 合并图 G1、G2
nx.info(G) 返回图的基本信息
nx.degree(G) 返回图中各顶点的度
nx.degree_histogram(G) 返回图中度的分布
nx.pagerank(G) 返回图中各顶点的频率分布
nx.add_star(G,[nodes],**attr) 向图 G 添加星形网络
nx.add_path(G,[nodes],**attr) 向图 G 添加一条路径
nx.add_cycle(G,[nodes],**attr) 向图 G 添加闭合路径

例程:

# Copyright 2021 YouCans, XUPT
G1.clear() # 清空图G1
nx.add_star(G1, [1, 2, 3, 4, 5], weight=1) # 添加星形网络:以第一个顶点为中心
# [(1, 2), (1, 3), (1, 4), (1, 5)]
nx.add_path(G1, [5, 6, 8, 9, 10], weight=2) # 添加路径:顺序连接 n个节点的 n-1条边
# [(5, 6), (6, 8), (8, 9), (9, 10)]
nx.add_cycle(G1, [7, 8, 9, 10, 12], weight=3) # 添加闭合回路:循环连接 n个节点的 n 条边
# [(7, 8), (7, 12), (8, 9), (9, 10), (10, 12)]
print(G1.nodes) # 返回所有的顶点 [node1,...]
nx.draw_networkx(G1)
plt.show() G2 = G1.subgraph([1, 2, 3, 8, 9, 10])
G3 = G1.subgraph([4, 5, 6, 7])
G = nx.union(G2, G3)
print(G.nodes) # 返回所有的顶点 [node1,...]
# [1, 2, 3, 8, 9, 10, 4, 5, 6, 7]

3、图的绘制与分析

3.1 图的绘制

可视化是图论和网络问题中很重要的内容。NetworkX 在 Matplotlib、Graphviz 等图形工具包的基础上,提供了丰富的绘图功能。

本系列拟对图和网络的可视化作一个专题,在此只简单介绍基于 Matplotlib 的基本绘图函数。基本绘图函数使用字典提供的位置将节点放置在散点图上,或者使用布局函数计算位置。

方法 说明
draw(G[,pos,ax]) 基于 Matplotlib 绘制 图 G
draw_networkx(G[, pos, arrows, with_labels]) 基于 Matplotlib 绘制 图 G
draw_networkx_nodes(G, pos[, nodelist, . . . ]) 绘制图 G 的顶点
draw_networkx_edges(G, pos[, edgelist, . . . ]) 绘制图 G 的边
draw_networkx_labels(G, pos[, labels, . . . ]) 绘制顶点的标签
draw_networkx_edge_labels(G, pos[, . . . ]) 绘制边的标签

其中,nx.draw() 和 nx.draw_networkx() 是最基本的绘图函数,并可以通过自定义函数属性或其它绘图函数设置不同的绘图要求。常用的属性定义如下:

  • 'node_size':指定节点的尺寸大小,默认300
  • 'node_color':指定节点的颜色,默认红色
  • 'node_shape':节点的形状,默认圆形
  • ''alpha':透明度,默认1.0,不透明
  • 'width':边的宽度,默认1.0
  • 'edge_color':边的颜色,默认黑色
  • 'style':边的样式,可选 'solid'、'dashed'、'dotted'、'dashdot'
  • 'with_labels':节点是否带标签,默认True
  • 'font_size':节点标签字体大小,默认12
  • 'font_color':节点标签字体颜色,默认黑色

3.2 图的分析

NetwotkX 提供了图论函数对图的结构进行分析:

子图

子图是指顶点和边都分别是图 G 的顶点的子集和边的子集的图。

subgraph()方法,按顶点从图 G 中抽出子图。例程如前。

连通子图

如果图 G 中的任意两点间相互连通,则 G 是连通图。

connected_components()方法,返回连通子图的集合。

G = nx.path_graph(4)
nx.add_path(G, [7, 8, 9])
# 连通子图
listCC = [len(c) for c in sorted(nx.connected_components(G), key=len, reverse=True)]
maxCC = max(nx.connected_components(G), key=len)
print('Connected components:{}'.format(listCC)) # 所有连通子图
# Connected components:[4, 3]
print('Largest connected components:{}'.format(maxCC)) # 最大连通子图
# Largest connected components:{0, 1, 2, 3}

** 强连通**

如果有向图 G 中的任意两点间相互连通,则称 G 是强连通图。

strongly_connected_components()方法,返回所有强连通子图的列表。

# 强连通
G = nx.path_graph(4, create_using=nx.DiGraph())
nx.add_path(G, [3, 8, 1])
# 找出所有的强连通子图
con = nx.strongly_connected_components(G)
print(type(con),list(con))
# <class 'generator'> [{8, 1, 2, 3}, {0}]

弱连通

如果一个有向图 G 的基图是连通图,则有向图 G 是弱连通图。

weakly_connected_components()方法,返回所有弱连通子图的列表。

# 弱连通
G = nx.path_graph(4, create_using=nx.DiGraph()) #默认生成节点 0,1,2,3 和有向边 0->1,1->2,2->3
nx.add_path(G, [7, 8, 3]) #生成有向边:7->8->3
con = nx.weakly_connected_components(G)
print(type(con),list(con))
# <class 'generator'> [{0, 1, 2, 3, 7, 8}]

=== 关注 Youcans 原创系列(https://www.cnblogs.com/youcans/)

版权说明:

参考文献声明:本文部分内容参考了 NetworkX 官网介绍:https://networkx.org/documentation/stable/

YouCans 原创作品

Copyright 2021 YouCans, XUPT

Crated:2021-05-16

Python数模笔记-(1)NetworkX 图的操作的更多相关文章

  1. Python数模笔记-NetworkX(3)条件最短路径

    1.带有条件约束的最短路径问题 最短路径问题是图论中求两个顶点之间的最短路径问题,通常是求最短加权路径. 条件最短路径,指带有约束条件.限制条件的最短路径.例如,顶点约束,包括必经点或禁止点的限制:边 ...

  2. Python数模笔记-StatsModels 统计回归(4)可视化

    1.如何认识可视化? 图形总是比数据更加醒目.直观.解决统计回归问题,无论在分析问题的过程中,还是在结果的呈现和发表时,都需要可视化工具的帮助和支持. 需要指出的是,虽然不同绘图工具包的功能.效果会有 ...

  3. Python数模笔记-StatsModels 统计回归(1)简介

    1.关于 StatsModels statsmodels(http://www.statsmodels.org)是一个Python库,用于拟合多种统计模型,执行统计测试以及数据探索和可视化. 2.文档 ...

  4. Python数模笔记-Scipy库(1)线性规划问题

    1.最优化问题建模 最优化问题的三要素是决策变量.目标函数和约束条件. (1)分析影响结果的因素是什么,确定决策变量 (2)决策变量与优化目标的关系是什么,确定目标函数 (3)决策变量所受的限制条件是 ...

  5. Python数模笔记-Sklearn(1) 介绍

    1.SKlearn 是什么 Sklearn(全称 SciKit-Learn),是基于 Python 语言的机器学习工具包. Sklearn 主要用Python编写,建立在 Numpy.Scipy.Pa ...

  6. Python数模笔记-NetworkX(2)最短路径

    1.最短路径问题的常用算法 最短路径问题是图论研究中的经典算法问题,用于计算图中一个顶点到另一个顶点的最短路径. 1.1 最短路径长度与最短加权路径长度 在日常生活中,最短路径长度与最短路径距离好像并 ...

  7. Python数模笔记-Sklearn(2)样本聚类分析

    1.分类的分类 分类的分类?没错,分类也有不同的种类,而且在数学建模.机器学习领域常常被混淆. 首先我们谈谈有监督学习(Supervised learning)和无监督学习(Unsupervised ...

  8. Python数模笔记-Sklearn(4)线性回归

    1.什么是线性回归? 回归分析(Regression analysis)是一种统计分析方法,研究自变量和因变量之间的定量关系.回归分析不仅包括建立数学模型并估计模型参数,检验数学模型的可信度,也包括利 ...

  9. Python数模笔记-Sklearn(5)支持向量机

    支持向量机(Support vector machine, SVM)是一种二分类模型,是按有监督学习方式对数据进行二元分类的广义线性分类器. 支持向量机经常应用于模式识别问题,如人像识别.文本分类.手 ...

随机推荐

  1. Python-jet后台管理的使用

    python-django-jet库的使用 1.安装 pip install django-jet 2.配置 将'jet'应用添加到你的Django项目的设置文件settings.py中的INSTAL ...

  2. python常见的错误异常

    1.AssertionError 该异常在assert()语句运行失败时输出 2.AttributeError 该异常在参考或设置属性失败时输出 eg:class Gs: pass g = Gs() ...

  3. Android中的TaskStack及启动模式

    目录 前言 如何观察ActivityStack? 几个问题 关键类介绍 ActivityStack的创建与种类 不同启动模式 launchMode Standard SingleTop SingleT ...

  4. Python基础之告警定义与告警抑制

    技术背景 在前面一篇博客中我们介绍了在python中自定义异常以及异常的捕获.这里我们要介绍另外一种形式的用户提醒:告警.我们这里就不给出一些过于官方或者技术的定义了,在实际项目中的使用场景主要有这么 ...

  5. Java中的集合Set - 入门篇

    前言 大家好啊,我是汤圆,今天给大家带来的是<Java中的集合Set - 入门篇>,希望对大家有帮助,谢谢 简介 前面介绍了集合List,映射Map,最后再简单介绍下集合Set,相关类如下 ...

  6. elementui 表格 如何使操作中隐藏一个按钮

    <el-table-column label="权限"min-width="100"> <template scope="scope ...

  7. [Fundamental of Power Electronics]-PART I-1.引言-1.2 1.3 电力电子技术的几个应用、本书内容

    1.2 电力电子技术的几个应用 高效开关变换器面临的功率范围从 (1)小于1瓦(电池供电的便携式设备内的DC-DC转换器)到(2)计算机及办公设备中的几十,几百,数千瓦到(3)变速电机驱动器中上千瓦及 ...

  8. Spring Security OAuth 格式化 token 输出

    个性化token 背景 上一篇文章<Spring Security OAuth 个性化token(一)>有提到,oauth2.0 接口默认返回的报文格式如下: {     "ac ...

  9. AI数学基础之:P、NP、NPC问题

    目录 简介 P问题 NP问题 NP问题的例子 有些NP问题很难解决 NPC问题 NP-hard P和NP问题 简介 我们在做组合优化的时候需要去解决各种问题,根据问题的复杂度不同可以分为P.NP.NP ...

  10. 如何高效的遍历Map?你常用的不一定是最快的

    微信公众号:大黄奔跑 关注我,可了解更多有趣的面试相关问题. 写在之前 如文章标题所言,遍历Map是开发过程中比较常见的行为,实现的方式也有多种方式,本文带领大家一起看看更加高效的遍历 Map. 『茴 ...