本文共 3288 字,大约阅读时间需要 10 分钟。
图的类型 Graph类是无向图的基类,无向图能有自己的属性或参数,不包含重边,允许有回路,节点可以是任何hash的python对象,节点和边可以保存key/value属性对。该类的构造函数为Graph(data=None,**attr),其中data可以是边列表,或任意一个Networkx的图对象,默认为none;attr是关键字参数,例如key=value对形式的属性。 MultiGraph是可以有重边的无向图,其它和Graph类似。其构造函数MultiGraph(data=None, *attr)。 DiGraph是有向图的基类,有向图可以有数自己的属性或参数,不包含重边,允许有回路;节点可以是任何hash的python对象,边和节点可含key/value属性对。该类的构造函数DiGraph(data=None,**attr),其中data可以是边列表,或任意一个Networkx的图对象,默认为none;attr是关键字参数,例如key=value对形式的属性。 MultiGraph是可以有重边的有向图,其它和DiGraph类似。其构造函数MultiDiGraph(data=None, *attr)。 图的创建 >>>G=nx.Graph() #创建了一个没有节点和边的空图 这里的图Graph是由一系列节点及节点对(或者说边、链接)组成。在Networx中,节点可以是任何可以被hash的对象,包括文本字符串、图片、XML对象、Graph和自定义的节点等。 图可以以多种方式进行增长。Networkx提供多个图生成功能用于读写图。 一次增加一个节点:>>>G.add_node(1) 通过包含节点的容器增加节点:#可以是列表、字典、文件的某些行、其它图等 列表>>>G.add_nodes_from([2,3]) 其它图>>>G.add_nodes_from(H) #H is a graph object here 一次增加一条边:>>>G.add_edge(1,2) 列表>>>G.add_edges_from([(1,2),(1,3)]) 边集合>>>G.add_edges_from(H.edges()) #H is also a graph here 对于图,边和节点都能将key/value对作为自己的属性,保存在相关的dictionary中。该关联字典默认为空,但是能通过add_edge,add_node或操作进行修改。 添加图的属性:>>>G=nx.Graph(day="Friday") 添加节点的属性:#主要的方法是add_node()和add_nodes_from() >>>G.add_node(1,time='5pm') #给节点1加属性对time:5pm >>>G.add_nodes_from([3], time='2pm') #对前一个参数中的所有节点,添加属性对time:2pm >>>G.node[1]['room']=714 #为G中的节点1添加属性对room:714 添加边的属性:#主要方法是add_edge(),add_edges()和G.edge >>>G.add_edge(1,2,'weight'=4.7) #为1和2之间的边,添加属性weight:4.7 >>>G.add_edges_from([(3,4),(4,5)],color='red') #为连接3和4、4和5的边添加属性对color:red >>>G.edge[1][2]['weight']=4 n in G #检查节点n是否在G中,如在,返回true。 任意创建一个Graph(默认为无重边的无向图),简单的节点和边的添加,显示一些统计参数,展示度分布图。 IDLE 2.6.6 >>> import networkx as nx //使用库的声明 >>> G=nx.Graph() //初始化 >>> G=nx.Graph(name='my graph') >>> e=[(1,2),(1,3),(2,3),(3,4),(4,5)] >>> G=nx.Graph(e) //为图G添加边 >>> nx.degree(G) {1: 2, 2: 2, 3: 3, 4: 2, 5: 1} >>> nx.degree_histogram(G) [0, 1, 3, 1] >>> nx.density(G) 0.5 >>> nx.degree_c >>> nx.degree_centrality(G) {1: 0.5, 2: 0.5, 3: 0.75, 4: 0.5, 5: 0.25} >>> nx.closeness_centrality(G) {1: 0.5714285714285714, 2: 0.5714285714285714, 3: 0.80000000000000004, 4: 0.66666666666666663, 5: 0.44444444444444442} >>> nx.betweenness_centrality(G) {1: 0.0, 2: 0.0, 3: 0.66666666666666663, 4: 0.5, 5: 0.0} >>> nx.triangles(G) {1: 1, 2: 1, 3: 1, 4: 0, 5: 0} >>> nx.transitivity(G) 0.5 >>> nx.clustering(G) {1: 1.0, 2: 1.0, 3: 0.33333333333333331, 4: 0.0, 5: 0.0} >>> import matplotlib.pyplot as plt >>> x=range(len(nx.degree_histogram(G))) >>> degree=nx.degree_histogram(G) >>> y=[z/float(sum(degree)) for z in degree] >>> plt.loglog(x,y,color="red",linewidth=4) [ ] >>> plt.show()
nx.degree(G)// 计算图的密度,其值为边数m除以图中可能边数(即n(n-1)/2) nx.degree_centrality(G)//节点度中心系数。通过节点的度表示节点在图中的重要性,默认情况下会进行归一化,其值表达为节点度d(u)除以n-1(其中n-1就是归一化使用的常量)。这里由于可能存在循环,所以该值可能大于1. nx.closeness_centrality(G)//节点距离中心系数。通过距离来表示节点在图中的重要性,一般是指节点到其他节点的平均路径的倒数,这里还乘以了n-1。该值越大表示节点到其他节点的距离越近,即中心性越高。 nx.betweenness_centrality(G)//节点介数中心系数。在无向图中,该值表示为节点作占最短路径的个数除以((n-1)(n-2)/2);在有向图中,该值表达为节点作占最短路径个数除以((n-1)(n-2))。 nx.transitivity(G)//图或网络的传递性。即图或网络中,认识同一个节点的两个节点也可能认识双方,计算公式为3*图中三角形的个数/三元组个数(该三元组个数是有公共顶点的边对数,这样就好数了)。 nx.clustering(G)//图或网络中节点的聚类系数。计算公式为:节点u的两个邻居节点间的边数除以((d(u)(d(u)-1)/2)。 转载地址:http://bmxgi.baihongyu.com/