一、networkx介绍
NetworkX提供图形(或网络)的数据结构以及图形算法,生成器和绘图工具。
函数,方法和变量名是lower_case_underscore(小写,下划线表示单词之间的空格)。
1、导入模块
import networkx as nx
2、图/网络
Graph:无多重边无向图。忽略两个节点之间的多个边,允许节点自身成环。
DiGraph:无多重边有向图
MultiGraph:有多重边无向图,允许在成对的节点之间存在多个无向边。
MultiDIGraph:有多重边有向图
所有图类均允许任何
可
哈希
对象
作为节点。
可哈希对象包括字符串,元组,整数等。
如权重和标签之类的任意边属性都可以与边相关联。
G = nx.Graph()#创建空的网络图
G = nx.DiGraph()
G = nx.MultiGraph()
G = nx.MultiDiGraph()
图的创建:(三种方式)
图生成器,如例如binomial_graph和powerlaw_graph
从文本源中加载数据,如nx.read_adjlist
自主创建空图并添加点和边
3、节点和边
节点:
整数 / 字符串 / 描述节点的数据结构
边:
关键字/值对【可使用除'weight'以外的任何关键字来命名属性,可通过此关键字查询边】
(1)添加:
#添加点
G.add_node('a')#添加点a
G.add_node(1,1)#用坐标来添加点
G.add_nodes_from([2, 3]) #添加一列表的节点
##或者 添加一系列迭代器
H = nx.path_graph(10)
G.add_nodes_from(H)
G.add_node(math.cos) # any hashable can be a node
G.add_edge(
'
x
'
,
'
y
'
)
#
添加边,起点为x,终点为y,默认边值为1
G.add_edge(1,3,weight=0.9)
#添加边,起点为1,终点为2,权重值为0.9
G.add_edge('y','x',function=math.cos) #Edge attributes can be anything
G.add_edges_from([(1, 2), (1, 3)])
G.add_weight_edges_from([('x','y',1.0)])#第三个输入量为权值
#也可以
list = [[('a','b',5.0),('b','c',3.0),('a','c',1.0)]
G.add_weight_edges_from([(list)])
(2) 删除:
g.remove_node()
g.remove_nodes_from()
g.remove_edge()
g.remove_edges_from()
g.remove_edge( 1,2);
#删除node1和node2之间的edge,自此node1和node2不再为相邻的node
g.remove_edges_from(edges_list)
##删除所有的点和边
G.clear()
##删除边的属性
del g[1][2][‘name‘]
(3)查看:
G.number_of_nodes()
#8,节点数量
G.number_of_edges()
#3,边数量
#获取一个Graph对象中的node数组或者edge数组
g.nodes();
g.edges();
#查看边的数据
g[1][2] #方式1,查看边(1,2)的属性,如可以有权重,关系,颜色等,输出结果为{'weight':1}
g.get_edge_data(1,2) #方式2,输出结果为{‘weight‘: 0.125, ‘relationship‘: ‘renew‘, ‘color‘: ‘blue‘}
# 查看邻居
g.neighbors(1); #获取与node为1相邻的node是节点,是一个迭代器
#查看边是否存在
g.has_edge(1,2)
输出结果:
2
3
4
(4)更新:
通过边来更新边的属性,由两种方式,一种是使用update函数,一种是通过属性赋值来实现:
g[1][2][‘weight‘] = 4.7
g.edge[1][2][‘weight‘] = 4
g[1][2].update({"weight": 4.7})
g.edges[1, 2].update({"weight": 4.7})
4、图形的显示
需要导入matplotlib
import matplotlib.pyplot as plt
nx.draw(G)
#nx.draw_networkx(G)
plt.show()
#若想让图形更精美
nx.draw(G,pos = nx.random_layout(G),node_color = 'b',edge_color = 'r',with_labels = True,font_size =18,node_size =20)
pos 指的是布局 主要有spring_layout , random_layout,circle_layout,shell_layout。node_color指节点颜色,有rbykw ,同理edge_color.
with_labels指节点是否显示名字,size表示大小,font_color表示字的颜色。
5、基本操作
import networkx as nx
oo = float('inf')
# 创建无向图
G = nx.Graph()
G.add_node(1) # 添加节点1
G.add_edge(2,3) # 添加节点2,3并链接23节点
print(G.nodes, G.edges, G.number_of_nodes(), G.number_of_edges())
# 创建有向图
G = nx.DiGraph()
G.add_edge(2, 3)
G.add_edge(3, 2)
G.to_undirected() # 转换成无向图
print(G.edges)
# 加权图
G = nx.DiGraph()
G.add_weighted_edges_from([(0,1,3.0), (1,2,7.5)]) # 给01边加权3, 12边加权7.5
print(G.get_edge_data(1,2)) # 获得12边的属性
G.add_weighted_edges_from([(2,3,5)], weight='color')
print(G.edges.data())
G.node[1]['size'] = 10
print(G.nodes.data())
import matplotlib.pyplot as plt
g_data = [(1, 2, 6), (1, 3, 1), (1, 4, 5),
(2, 3, 5), (2, 5, 3),
(3, 4, 5), (3, 5, 6), (3, 6, 4), (4, 6, 2),
(5, 6, 6)]
# 最小生成树
g = nx.Graph()
g.add_weighted_edges_from(g_data)
tree = nx.minimum_spanning_tree(g, algorithm='prim')
print(tree.edges(data=True))
# 最短路径
G = nx.path_graph(5) # 0-1-2-3-4链
print(nx.dijkstra_path(G, 0, 4))
# 所有节点之间的最短路径
G = nx.Graph()
G.add_weighted_edges_from(g_data)
gen = nx.all_pairs_shortest_path(G)
print(dict(gen))
# 各点之间可达性
G = nx.Graph()
G.add_weighted_edges_from(g_data)
print(nx.communicability(G))
# 获得图中非连通点的列表
G = nx.Graph()
G.add_edge(1,2)
G.add_node(3)
print(list(nx.isolates(G)))
G = nx.Graph()
G.add_weighted_edges_from(g_data)
d_gen = nx.dfs_edges(G,1) # 按边深度搜索, 1为起点
b_gen = nx.bfs_edges(G,1)
print(list(d_gen), list(b_gen))
print(nx.dfs_tree(G,1).nodes()) # 按点深搜
from networkx.algorithms.flow import shortest_augmenting_path
import matplotlib.pyplot as plt
G = nx.DiGraph()
G.add_edge('x','a', capacity=3.0)
G.add_edge('x','b', capacity=1.0)
G.add_edge('a','c', capacity=3.0)
G.add_edge('b','c', capacity=5.0)
G.add_edge('b','d', capacity=4.0)
G.add_edge('d','e', capacity=2.0)
G.add_edge('c','y', capacity=2.0)
G.add_edge('e','y', capacity=3.0)
# 将参数画到图上
pos = nx.spring_layout(G)
capacity = nx.get_edge_attributes(G, 'capacity')
# nx.draw_networkx_nodes(G, pos)
# nx.draw_networkx_edges(G, pos)
# nx.draw_networkx_labels(G, pos)
# nx.draw_networkx_edge_labels(G,pos,capacity)
# 最大流
flow_value, flow_dict = nx.maximum_flow(G,'x', 'y', flow_func=shortest_augmenting_path)
print(flow_value, flow_dict)
# plt.show()
# 最小成本流
G = nx.DiGraph()
G.add_node('a', demand = -5)
G.add_node('d', demand = 5)
G.add_edge('a', 'b', weight = 3, capacity = 4)
G.add_edge('a', 'c', weight = 6, capacity = 10)
G.add_edge('b', 'd', weight = 1, capacity = 9)
G.add_edge('c', 'd', weight = 2, capacity = 5)
flow_cost, flow_dict = nx.capacity_scaling(G)
print(flow_cost, flow_dict)
# 欧拉回路 一个无向图G,一条路径经过图G的每一条边,且仅经过一次,这条路径称为欧拉路径.如果起点和终点同一点,则为欧拉回路
# 无向图:每个顶点的度数都是偶数则存在欧拉回路
# 有向图:每个顶点的入度都等于出度则存在欧拉回路
DG = nx.DiGraph({0: [3], 1: [2], 2: [3], 3: [0, 1]})
G = nx.Graph({0: [1,2], 1: [0,2], 2: [0,1,3,4], 3: [2,4], 4:[2,3]})
print(nx.is_eulerian(DG))
print(nx.is_eulerian(G))
print(list(nx.eulerian_circuit(DG)))
print(list(nx.eulerian_circuit(G)))
# 最小点割集
node_cut = nx.minimum_node_cut(G, flow_func=shortest_augmenting_path)
print(node_cut)
# 对于带权无向图边切割,得到最小切割权之和,以及两个分离区域
G = nx.Graph()
G.add_edge('x','a', weight=3)
G.add_edge('x','b', weight=1)
G.add_edge('a','c', weight=3)
G.add_edge('b','c', weight=5)
G.add_edge('b','d', weight=4)
G.add_edge('d','e', weight=2)
G.add_edge('c','y', weight=2)
G.add_edge('e','y', weight=3)
cut_value, partition = nx.stoer_wagner(G)
print(cut_value, partition)
# 最大权重匹配 匈牙利、KM算法
G = nx.Graph()
G.add_weighted_edges_from([('A', 'a', 3), ('A', 'c', 4), ('B', 'a', 2), ('B', 'b', 1), ('B', 'c', 3), ('C', 'c', 5)])
print(nx.max_weight_matching(G))
# 拓扑排序
G = nx.DiGraph()
G.add_edge('x','a', weight=3)
G.add_edge('a','c', weight=3)
G.add_edge('b','c', weight=5)
G.add_edge('b','d', weight=4)
G.add_edge('d','e', weight=2)
G.add_edge('c','y', weight=2)
G.add_edge('e','y', weight=3)
print(list(nx.topological_sort(G)))
# 最小成本最大流
G = nx.DiGraph()
G.add_edge('a', 'b', weight = 3, capacity = 4)
G.add_edge('a', 'c', weight = 6, capacity = 10)
G.add_edge('b', 'd', weight = 1, capacity = 9)
G.add_edge('c', 'd', weight = 2, capacity = 5)
print(nx.max_flow_min_cost(G, 'a', 'd'))
#复杂网络生成
# ER随机图 # 随机生成20个节点,节点间的连接概率都是0.2
# ER = nx.random_graphs.erdos_renyi_graph(20, 0.2)
# pos = nx.shell_layout(ER)
# nx.draw(ER, pos, with_labels=False,edge_color='b', alpha=0.3, node_size=30)
# plt.show()
# WS小世界网络 生成一个含有n个节点、每个节点有k个邻居、以概率p随机化重连边的WS小世界网络。
WS = nx.random_graphs.watts_strogatz_graph(20, 4, 0.3)
pos = nx.circular_layout(WS)
nx.draw(WS, pos, with_labels=False, node_size=30, edge_color='b', alpha=0.3)
plt.show()
# BA无标度网络 生成一个含有n个节点、每次加入m条边的BA无标度网络
# BA = nx.random_graphs.barabasi_albert_graph(10,2)
# pos = nx.spring_layout(BA)
# nx.draw(BA, pos, with_labels=False, node_size=30, edge_color='b', alpha=0.3)
# plt.show()
# 扩展BA无标度网络 节点数,添加新边数,两点间添加边的概率,边重连的概率
# ExBA = nx.random_graphs.extended_barabasi_albert_graph(200, 4, 0.4, 0.2)
# pos = nx.spring_layout(ExBA)
# nx.draw(ExBA, pos, with_labels=False, node_size=30, edge_color='b', alpha=0.3)
# plt.show()
参考文献:
networkx整理
Tutorial
Python3画图系列——NetworkX初探
(案例)
Python包 - networkx