1/nx.draw()

该函数默认的节点布局算法是弹簧布局，及pos=nx.spring_layout(),
当然，我们可以自己指定使用哪种布局算法，如下图，我们使用的是circular_layout()布局算法
2/draw_networkx()
3/draw_networkx_nodes()
仅绘制图G的节点
4/draw_networkx_edges()
仅绘制图形G的边
5/draw_networkx_labels()
# 在图G上绘制节点标签
6/draw_networkx_edge_labels()
# 在图G上绘制边缘标签
绘制网络图&&显示图&&保留图
    G为我们想要绘出的图，pos为网络图布局，我试了很多布局发现nx.drawing.layout.spring_layout(G)通常是我们想要的布局
    node_size: 指定节点的尺寸大小(默认是300，单位未知，就是上图中那么大的点)
    node_color: 指定节点的颜色 (默认是红色，可以用字符串简单标识颜色，例如'r'为红色，'b'为绿色等，具体可查看手册)，用“数据字典”赋值的时候必须对字典取值（.values()）后再赋值
    node_shape: 节点的形状（默认是圆形，用字符串'o'标识，具体可查看手册）
    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(默认为实线，可选： solid,dashed,dotted,dashdot)
    with_labels: 节点是否带标签（默认为True）
    font_size: 节点标签字体大小 (默认为12)
    font_color: 节点标签字体颜色（默认为黑色）
    import networkx as nx
    import matplotlib.pyplot as plt
    G = nx.Graph()
    colors = range(20)
    G.add_nodes_from(nodes)
    G.add_weighted_edges_from(edges)
    nx.draw(G,
            pos = nx.drawing.layout.spring_layout(G),
            node_size = 0.5,
            node_color="r", 
            width = 0.01,
            edge_colo r= b",
            edge_cmap=plt.cm.gray, 
            with_labels=False)
    plt.savefig("/home/eff_server/cohesion.png")  # 保存图
    plt.show()
    建立布局，对图进行布局美化，networkx 提供的布局方式有：
    nx.circular_layout：节点在一个圆环上均匀分布,pos = nx.circular_layout(G)
    nx.random_layout：节点随机分布,pos = nx.random_layout(G)
    nx.shell_layout：节点在同心圆上分布
    nx.spring_layout： 用Fruchterman-Reingold算法排列节点（这个算法我不了解，样子类似多中心放射状）
    nx.spectral_layout(G)：根据图的拉普拉斯特征向量排列节
import networkx as nx
nx.draw（G，[pos,ax,hold]） # 这是最普通的绘制网络图的方法
nx.draw_networkx(G，[pos,with_labels])   # with_labels=True,则显示节点的名称
nx.draw_networkx_nodes(G,pos,[nodelist])  绘制网络G的节点图
nx.draw_networkx_edges(G,pos[edgelist])  绘制网络G的边图
nx.draw_networkx_edge_labels(G, pos[, ...]) 绘制网络G的边图，边有label
---有layout 布局画图函数的分界线---
draw_circular(G, **kwargs) Draw the graph G with a circular layout.
draw_random(G, **kwargs) Draw the graph G with a random layout.
draw_spectral(G, **kwargs)Draw the graph G with a spectral layout.
draw_spring(G, **kwargs)Draw the graph G with a spring layout.
draw_shell(G, **kwargs) Draw networkx graph with shell layout.
draw_graphviz(G[, prog])Draw networkx graph with graphviz layout.
networkx 画图参数：
  node_size: 指定节点的尺寸大小(默认是300,单位不知道，具体大小可以通过调试找到一个最合适的)，可以人为设置不同的节点大小不同
  node_color: 指定节点的颜色 (默认是红色，可以用字符串简单标识颜色，例如'r'为红色，'b'为绿色等)，可以人为设置不同的节点颜色不同
  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)，可以人为设置边的宽度，，可以由权重来决定
  edge_color: 边的颜色(默认为黑色)
  style: 边的样式(默认为实线，可选： solid，dashed，dotted，dashdot)
  with_labels: 节点是否带标签（默认为True），即是否显示节点的名字
  font_size: 节点标签字体大小 (默认为12) ，节点名字字体的大小
  font_color: 节点标签字体颜色（默认为黑色），，节点名字的颜色
  pos(dictionary, optional): 节点的布局，即每个节点在网络的什么位置
布局指定节点排列形式
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，中心放射状
spectral_layout：根据图的拉普拉斯特征向量排列节点
布局也可用pos参数指定，例如，nx.draw(G, pos = spring_layout(G)) 这样指定了networkx上以中心放射状分布.
其中：spring_layout需要进行计算，拥有以下参数：
  pos = nx.spring_layout(G,iterations=200)   # iterations默认是50
  k controls the distance between the nodes and varies between 0 and 1
  iterations is the number of times simulated annealing is run
  default k =0.1 and iterations=50
  力引导布局（Force-directed Layout）
  力引导布局最早由Peter Eades在1984年的“启发式画图算法”一文中提出，目的是减少布局中边的交叉，尽量保持边的长度一致。此方法借用弹簧模型模拟布局过程：用弹簧模拟两个点之间的关系，受到弹力的作用后，过近的点会被弹开而过远的点被拉近；通过不断的迭代，整个布局达到动态平衡，趋于稳定。其后，“力引导”的概念被提出，演化成力引导布局算法FR（Fruchterman-Reingold算法）——丰富两点之间的物理模型，加入点之间的静电力，通过计算系统的总能量并使得能量最小化，从而达到布局的目的。这种改进的能量模型，可看成弹簧模型的一般化。
  参考：https://blog.csdn.net/gdp12315_gu/article/details/48351589
根据权重改变2节点之间线的粗细
import networkx as nx
G = nx.Graph()
G.add_edge(s,t,weight=w)  # 往网络中添加边关系，，在添加边的同时，节点也就添加进去了
# 绘制图
nx.draw(G,
        pos = nx.spring_layout(G,iterations=200),  # 中心发射状
        node_size = nodes_size_list,  # 是一个列表，表示不同的节点大小不同
        node_color = nodes_colour_list,  # 是一个列表，表示不同的节点颜色不同
        width = [float(w['heat_value'] * 5) for (u,v,w) in G.edges(data=True)],
        edge_color = "b",
        edge_cmap = plt.get_cmap("viridis"),
        with_labels = True,
        font_weight = "bold")
import networkx as nx
nx.draw（G，[pos,ax,hold]） # 这是最普通的绘制网络图的方法
nx.draw_networkx(G，[pos,with_labels])   # with_labels=True,则显示节点的名称
nx.draw_networkx_nodes(G,pos,[nodelist])  绘制网络G的节点图
nx.draw_networkx_edges(G,pos[edgelist])  绘制网络G的边图
nx.draw_networkx_edge_labels(G, pos[, ...]) 绘制网络G的边图，边有label
---有layout 布局画图函数的分界线---
draw_circular(G, **kwargs) Draw the graph G with a circular layout.
draw_random(G, **kwargs) Draw the graph G with a random layout.
draw_spectral(G, **kwargs)Draw the graph G with a spectral layout.
draw_spring(G, **kwargs)Draw the graph G with a spring layout.
draw_shell(G, **kwargs) Draw networkx graph with shell layout.
draw_graphviz(G[, prog])Draw networkx graph with graphviz layout.
networkx 画图参数：
      node_size: 指定节点的尺寸大小(默认是300,单位不知道，具体大小可以通过调试找到一个最合适的)，可以人为设置不同的节点大小不同
      node_color: 指定节点的颜色 (默认是红色，可以用字符串简单标识颜色，例如'r'为红色，'b'为绿色等)，可以人为设置不同的节点颜色不同
      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)，可以人为设置边的宽度，，可以由权重来决定
      edge_color: 边的颜色(默认为黑色)
      style: 边的样式(默认为实线，可选： solid，dashed，dotted，dashdot)
      with_labels: 节点是否带标签（默认为True），即是否显示节点的名字
      font_size: 节点标签字体大小 (默认为12) ，节点名字字体的大小
      font_color: 节点标签字体颜色（默认为黑色），，节点名字的颜色
      pos(dictionary, optional): 节点的布局，即每个节点在网络的什么位置
布局指定节点排列形式
    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，中心放射状
    spectral_layout：根据图的拉普拉斯特征向量排列节点
    布局也可用pos参数指定，例如，nx.draw(G, pos = spring_layout(G)) 这样指定了networkx上以中心放射状分布.
其中：spring_layout需要进行计算，拥有以下参数：
      pos = nx.spring_layout(G,iterations=200)   # iterations默认是50
      k controls the distance between the nodes and varies between 0 and 1
      iterations is the number of times simulated annealing is run
      default k =0.1 and iterations=50
      力引导布局（Force-directed Layout）
      力引导布局最早由Peter Eades在1984年的“启发式画图算法”一文中提出，目的是减少布局中边的交叉，尽量保持边的长度一致。此方法借用弹簧模型模拟布局过程：用弹簧模拟两个点之间的关系，受到弹力的作用后，过近的点会被弹开而过远的点被拉近；通过不断的迭代，整个布局达到动态平衡，趋于稳定。其后，“力引导”的概念被提出，演化成力引导布局算法FR（Fruchterman-Reingold算法）——丰富两点之间的物理模型，加入点之间的静电力，通过计算系统的总能量并使得能量最小化，从而达到布局的目的。这种改进的能量模型，可看成弹簧模型的一般化。
      参考：https://blog.csdn.net/gdp12315_gu/article/details/48351589
根据权重改变2节点之间线的粗细
import networkx as nx
G = nx.Graph()
G.add_edge(s,t,weight=w)  # 往网络中添加边关系，，在添加边的同时，节点也就添加进去了
# 绘制图
nx.draw(G,
        pos = nx.spring_layout(G,iterations=200),  # 中心发射状
        node_size = nodes_size_list,  # 是一个列表，表示不同的节点大小不同
        node_color = nodes_colour_list,  # 是一个列表，表示不同的节点颜色不同
        width = [float(w['heat_value'] * 5) for (u,v,w) in G.edges(data=True)],
        edge_color = "b",
        edge_cmap = plt.get_cmap("viridis"),
        with_labels = True,
        font_weight = "bold")
复制代码
  
分类：
 人工智能
 
标签：
 
机器学习
 
  
 

      安装掘金浏览器插件
     
多内容聚合浏览、多引擎快捷搜索、多工具便捷提效、多模式随心畅享，你想要的，这里都有！
 前往安装
     
 

    HZ在掘金
        数据挖掘工程师 @ aa