Python 使用 NetworkX

Python 使用 NetworkX

说明：本篇文章主要讲述 python 使用 networkx 绘制有向图；

1. 介绍&安装

NetworkX 是一个用于创建、操作和研究复杂网络的 Python 库。它提供了丰富的功能，可以帮助你创建、分析和可视化各种类型的网络，例如社交网络、Web图、生物网络等。NetworkX 可以用来创建各种类型的网络，包括有向图和无向图。它提供了各种方法来添加、删除和修改网络中的节点和边。你可以使用节点和边的属性来进一步描述网络的特性。

NetworkX 还提供了许多图的算法和分析工具。你可以使用这些工具来计算各种网络指标，比如节点的度、网络的直径、最短路径等。你还可以使用它来发现社区结构、进行图的聚类分析等。

除了功能强大的操作和分析工具，NetworkX还提供了多种方式来可视化网络。你可以使用它来绘制网络的节点和边，设置节点的颜色、尺寸和标签等。

总的来说，NetworkX是一个功能丰富、灵活易用的Python库，用于创建、操作和研究各种类型的复杂网络。无论你是在进行学术研究、数据分析还是网络可视化，NetworkX都是一个不错的选择。

安装

pip install networkx

2. 简单的有向图绘制

简单的类展示

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

三节点有向图的绘制

# -*- coding: utf-8 -*-
import networkx as nx
import matplotlib.pyplot as plt# 1. 创建有向图对象, 创建空的有向图的对象
G = nx.DiGraph()# 2. 添加节点
G.add_node('A')
G.add_node('B')
G.add_node('C')# 3. 添加有向边
G.add_edge('A', 'B')
G.add_edge('B', 'C')# 4. 进行图的绘制
pos = nx.spring_layout(G)  # 选择布局算法;
nx.draw(G, pos, with_labels=True)
plt.show()

image-20230701225230056

绘制分支节点的有向图

# -*- coding: utf-8 -*-
import networkx as nx
import matplotlib.pyplot as plt# 1. 创建有向图对象, 创建空的有向图的对象
G = nx.DiGraph()# 2. 添加节点
G.add_node('A')
G.add_node('B')
G.add_node('C')
G.add_node('D')
G.add_node('E')# 3. 添加有向边
G.add_edge('A', 'B')
G.add_edge('B', 'C')
G.add_edge('B', 'D')
G.add_edge('C', 'E')# 4. 进行图的绘制
pos = nx.spring_layout(G)  # 选择布局算法;
nx.draw(G, pos, with_labels=True)
plt.show()

image-20230701225411670

3.有向图的遍历

三节点有向图的遍历

# -*- coding: utf-8 -*-
import networkx as nx
import matplotlib.pyplot as plt# 1. 创建有向图对象, 创建空的有向图的对象
G = nx.DiGraph()# 2. 添加节点
G.add_node('A')
G.add_node('B')
G.add_node('C')
# G.add_node('D')
# G.add_node('E')# 3. 添加有向边
G.add_edge('A', 'B')
G.add_edge('B', 'C')
# G.add_edge('B', 'D')
# G.add_edge('C', 'E')# 4. 进行图的绘制
pos = nx.spring_layout(G)  # 选择布局算法;
nx.draw(G, pos, with_labels=True)
plt.show()# 5. 有向图的遍历
print(G.nodes)  # 节点列表, 输出节点 列表
for node in G.nodes():print("节点>>>", node)

image-20230701230149897

绘制分支节点图形的输出

# -*- coding: utf-8 -*-
import networkx as nx
import matplotlib.pyplot as plt# 1. 创建有向图对象, 创建空的有向图的对象
G = nx.DiGraph()# 2. 添加节点
G.add_node('A')
G.add_node('B')
G.add_node('C')
G.add_node('D')
G.add_node('E')# 3. 添加有向边
G.add_edge('A', 'B')
G.add_edge('B', 'C')
G.add_edge('B', 'D')
G.add_edge('C', 'E')# 4. 进行图的绘制
pos = nx.spring_layout(G)  # 选择布局算法;
nx.draw(G, pos, with_labels=True)
plt.show()# 5. 有向图的遍历
print(G.nodes)  # 节点列表
# print(G.edges)  # 边列表, [('A', 'B'), ('B', 'C'), ('B', 'D'), ('C', 'E')]
for node in G.nodes():print("节点>>>", node)in_degree = G.in_degree(node)print("入度:", in_degree)# 获取节点的出度out_degree = G.out_degree(node)print("出度:", out_degree)# 获取节点的邻居节点neighbors = G.neighbors(node)print("邻居节点:", list(neighbors))

image-20230701230547282

4.带权重的边

本章节的内容主要展示带权重的边的绘制，并且求取出最大值和最小值；

# -*- coding: utf-8 -*-
import networkx as nx
import matplotlib.pyplot as plt# 创建有向图
G = nx.DiGraph()
# 直接创建边, 自动添加两个节点, 并且设置边的权重
G.add_edge('A', 'B', weight=3)
G.add_edge('B', 'C', weight=5)
G.add_edge('C', 'D', weight=2)
G.add_edge('C', 'E', weight=5)pos = nx.spring_layout(G)
nx.draw(G, pos, with_labels=True)
# 获取边的权重
labels = nx.get_edge_attributes(G, 'weight')
# 绘制带有权重的边
nx.draw_networkx_edge_labels(G, pos, edge_labels=labels)plt.show()
# 获取边的权重值列表
weights = nx.get_edge_attributes(G, 'weight').values()
print("边的权重值列表>>>", weights)
max_weight = max(weights)
min_weight = min(weights)print("最大权重的边:", max_weight)
print("最小权重的边:", min_weight)

image-20230701231846552

求取图形中得最短路径

# -*- coding: utf-8 -*-
import networkx as nx
import matplotlib.pyplot as pltdef get_shortest_path(graph, source, target):try:shortest_path = nx.shortest_path(graph, source, target)return shortest_pathexcept nx.exception.NetworkXNoPath:return "不存在最短路径"def get_longest_path(graph, source, target):all_paths = nx.all_simple_paths(graph, source, target)longest_path = max(all_paths, key=len)return longest_path# 创建有向图
G = nx.DiGraph()
G.add_edge('A', 'B')
G.add_edge('A', 'C')
G.add_edge('B', 'C')
G.add_edge('B', 'D')
G.add_edge('C', 'D')
pos = nx.spring_layout(G)  # 选择布局算法;
nx.draw(G, pos, with_labels=True)
plt.show()
# 求取最短路径
shortest_path = get_shortest_path(G, 'A', 'D')
print("最短路径:", shortest_path)# 求取最长路径
longest_path = get_longest_path(G, 'A', 'D')
print("最长路径:", longest_path)

image-20230701232635408

按照权重求最短路径&最长路径

# -*- coding: utf-8 -*-
import networkx as nx
import matplotlib.pyplot as plt# 创建有向带权重图
G = nx.DiGraph()
G.add_edge('A', 'B', weight=3)
G.add_edge('A', 'C', weight=5)
G.add_edge('B', 'C', weight=2)
G.add_edge('B', 'D', weight=4)
G.add_edge('C', 'D', weight=1)
pos = nx.spring_layout(G)
nx.draw(G, pos, with_labels=True)
# 获取边的权重
labels = nx.get_edge_attributes(G, 'weight')
# 绘制带有权重的边
nx.draw_networkx_edge_labels(G, pos, edge_labels=labels)plt.show()# 按照权重求取最短路径
shortest_path = nx.dijkstra_path(G, 'A', 'D', weight='weight')
shortest_distance = nx.dijkstra_path_length(G, 'A', 'D', weight='weight')print("最短路径:", shortest_path)
print("最短距离:", shortest_distance)

image-20230701232954856

import networkx as nx# 创建有向带权重图
G = nx.DiGraph()
G.add_edge('A', 'B', weight=3)
G.add_edge('A', 'C', weight=5)
G.add_edge('B', 'C', weight=2)
G.add_edge('B', 'D', weight=4)
G.add_edge('C', 'D', weight=1)# 将边的权重取相反数
G_neg = nx.DiGraph()
for u, v, data in G.edges(data=True):G_neg.add_edge(u, v, weight=-data['weight'])# 按照权重取相反数的图中求取最短路径
longest_path = nx.dijkstra_path(G_neg, 'A', 'D', weight='weight')
longest_distance = -nx.dijkstra_path_length(G_neg, 'A', 'D', weight='weight')print("最长路径:", longest_path)
print("最长距离:", longest_distance)

5.json 数据的转换

**说明：**前后端交互的时候通常传回的时候的 json 格式化后的数据，通常需要构建一下，因此最好创建一个统一的类进行封装。

# -*- coding: utf-8 -*-
"""图的封装;
"""
import networkx as nx
import matplotlib.pyplot as pltclass GraphDict(object):"""有向图的构造;"""def __init__(self):"""初始化的封装;"""self.graph = None  # 有向图的构建self.graph_weight = None  # 有向图带权重def dict_to_graph(self, data: list):"""图的字典模式;:param data::return:example:data=[{source: 'Node 1',target: 'Node 3'},{source: 'Node 2',target: 'Node 3'},{source: 'Node 2',target: 'Node 4'},{source: 'Node 1',target: 'Node 4'}]"""graph = nx.DiGraph()  # 创建有向图# 循环添加边, 直接添加上节点for item in data:graph.add_edge(item.get('source'), item.get("target"))# 赋值并返回self.graph = graphreturn graphdef dict_to_graph_weight(self, data: list):"""图的字典模式, 带权重;:param data::return:example:data = [{source: 'Node 1',target: 'Node 3',weight: 5},{source: 'Node 2',target: 'Node 3',weight: 3,},{source: 'Node 2',target: 'Node 4',weight: 5,},{source: 'Node 1',target: 'Node 4',weight: 5}]"""graph = nx.DiGraph()  # 创建有向图# 循环添加边, 直接添加上节点, 并且为边赋值上权重;for item in data:graph.add_edge(item.get('source'), item.get("target"), weight=item.get("weight"))# 赋值并返回self.graph_weight = graphreturn graphdef graph_to_dict(self):"""图的数据转换成为字典的数据;:return:"""assert self.graph is not None or self.graph_weight is not None, "必须首先通过该类创建一个有向图"if self.graph is None:edges = self.graph_weight.edges(data=True)return [{"source": s, "target": t, "weight": w['weight']} for s, t, w in edges]else:edges = self.graph.edges()return [{"source": s, "target": t} for s, t in edges]def show(self):"""有向图的显示;:return:"""assert self.graph is not None or self.graph_weight is not None, "必须首先通过该类创建一个有向图"if self.graph is None:pos = nx.spring_layout(self.graph_weight)nx.draw(self.graph_weight, pos, with_labels=True)labels = nx.get_edge_attributes(self.graph_weight, 'weight')nx.draw_networkx_edge_labels(self.graph_weight, pos, edge_labels=labels)plt.show()else:pos = nx.spring_layout(self.graph)nx.draw(self.graph, pos, with_labels=True)plt.show()def to_png(self, name: str):"""导出有向图的 png 图片;:param name; str, 想要导出 png 图片的名称;:return:"""assert self.graph is not None or self.graph_weight is not None, "必须首先通过该类创建一个有向图"if self.graph is None:pos = nx.spring_layout(self.graph_weight)nx.draw(self.graph_weight, pos, with_labels=True)labels = nx.get_edge_attributes(self.graph_weight, 'weight')nx.draw_networkx_edge_labels(self.graph_weight, pos, edge_labels=labels)plt.savefig(name)else:pos = nx.spring_layout(self.graph)nx.draw(self.graph, pos, with_labels=True)plt.savefig(name)if __name__ == '__main__':graph = GraphDict()data = [{"source": 'Node 1',"target": 'Node 3'},{"source": 'Node 2',"target": 'Node 3'},{"source": 'Node 2',"target": 'Node 4'},{"source": 'Node 1',"target": 'Node 4'}]data_weight = [{"source": 'Node 1',"target": 'Node 3',"weight": 3},{"source": 'Node 2',"target": 'Node 3',"weight": 3},{"source": 'Node 2',"target": 'Node 4',"weight": 3},{"source": 'Node 1',"target": 'Node 4',"weight": 3}]# graph.dict_to_graph(data)# graph.to_png("有向图的导出")graph.dict_to_graph_weight(data_weight)graph.to_png("权重")v = graph.graph_to_dict()print(v)

image-20230702110304161

继续努力，终成大器；

本文来自互联网用户投稿，该文观点仅代表作者本人，不代表本站立场。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如若转载，请注明出处：http://www.hqwc.cn/news/4350.html

如若内容造成侵权/违法违规/事实不符，请联系编程知识网进行投诉反馈email:809451989@qq.com，一经查实，立即删除！

相关文章

基于OpenCV的人脸对齐步骤详解及源码实现

基于OpenCV的人脸对齐步骤详解及源码实现

目录 1. 前言2. 人脸对齐基本原理与步骤3. 人脸对齐代码实现 1. 前言 在做人脸识别的时候，前期的数据处理过程通常会遇到一个问题，需要将各种人脸从不同尺寸的图像中截取出来，再进行人脸对齐操作：即将人脸截取出来并将倾斜的人脸…
阅读更多...
76、基于STM32单片机车牌识别摄像头图像处理扫描设计(程序+原理图+PCB源文件+相关资料+参考PPT+元器件清单等)

76、基于STM32单片机车牌识别摄像头图像处理扫描设计(程序+原理图+PCB源文件+相关资料+参考PPT+元器件清单等)

单片机主芯片选择方案 方案一：AT89C51是美国ATMEL公司生产的低电压，高性能CMOS型8位单片机，器件采用ATMEL公司的高密度、非易失性存储技术生产，兼容标准MCS-51指令系统，片内置通用8位中央处理器(CPU)和Flash存储单元&a…
阅读更多...
使用Streamlit和Matplotlib创建交互式折线图

使用Streamlit和Matplotlib创建交互式折线图

大家好，本文将介绍使用Streamlit和Matplotlib创建一个用户友好的数据可视化Web应用程序。该应用程序允许上传CSV文件，并为任何选定列生成折线图。 构建Streamlit应用程序 在本文中，我们将指导完成创建此应用程序的步骤。无论你是专家还是刚刚…
阅读更多...
CTF安全竞赛介绍

CTF安全竞赛介绍

目录 一、赛事简介 二、CTF方向简介 1.Web（Web安全） （1）简介 （2）涉及主要知识 2.MISC（安全杂项） （1）介绍 （2）涉及主要知识 3…
阅读更多...
设计模式之行为型模式

设计模式之行为型模式

本文已收录于专栏 《设计模式》 目录 概念说明大话设计模式行为型模式 各模式详解第一组观察者模式（Observer Pattern）模板方法模式（Template Method Pattern）命令模式（Command Pattern）状态模式&#xff0…
阅读更多...
智能指针+拷贝构造+vector容器+多态引起的bug

智能指针+拷贝构造+vector容器+多态引起的bug

今天在调试一段代码的时候，VC编译提示： error C2280: “T485CommCtrlPara::T485CommCtrlPara(const T485CommCtrlPara &)”: 尝试引用已删除的函数 函数执行部分如下： 看意思是这个pComm485Pro已经消亡了，后续push_back到ve…
阅读更多...
【Linux】MHA高可用配置及故障切换

【Linux】MHA高可用配置及故障切换

提示：文章写完后，目录可以自动生成，如何生成可参考右边的帮助文档 MHA高可用配置及故障切换 MHA高可用配置及故障切换MHA概述MHA 的组成MHA 的特点 搭建 MySQL MHA1．Master、Slave1、Slave2 节点上安装 mysql5.72．修改…
阅读更多...
Web项目思路

Web项目思路

登录注册 账号密码登录，注册时生成唯一id。 找回密码 通过验证邮箱来修改现在的密码。 主页 显示最受欢迎的博主，点赞次数最多的博客，根据用户收藏夹中的偏好推荐博客等 遍历数据库，找到粉丝数最多的博主和点赞次数最多的博客…
阅读更多...
配置本地的application-dev.yml读取nacos上面的配置

配置本地的application-dev.yml读取nacos上面的配置

我想配置本地的application-dev.yml读取nacos上面的配置，我应该在配置文件里怎么写？并且在nacos里怎么建立 在本地的application-dev.yml文件中，您可以使用Spring Cloud Nacos来读取Nacos上的配置。以下是在配置文件和Nacos中设置的步骤&…
阅读更多...
火爆全网，Jenkins创建容器-Python自动化测试环境搭建（详细）

火爆全网，Jenkins创建容器-Python自动化测试环境搭建（详细）

目录：导读 前言一、Python编程入门到精通二、接口自动化项目实战三、Web自动化项目实战四、App自动化项目实战五、一线大厂简历六、测试开发DevOps体系七、常用自动化测试工具八、JMeter性能测试九、总结（尾部小惊喜） 前言 下载 Jenkins 镜像…
阅读更多...
【Spring】Spring框架介绍，功能模块，容器知识和有关Spring的生态圈的详细讲解

【Spring】Spring框架介绍，功能模块，容器知识和有关Spring的生态圈的详细讲解

作者简介： 辭七七，目前大一，正在学习C/C，Java，Python等 作者主页： 七七的个人主页 文章收录专栏： 七七的闲谈 欢迎大家点赞 👍 收藏 ⭐ 加关注哦！💖&#x1f…
阅读更多...
Java垃圾搜集算法和垃圾回收算法

Java垃圾搜集算法和垃圾回收算法

垃圾回收主要针对的是JVM的堆内存，分为新生代和老年代。 按照以前的叫法，还有一个永久代，它在方法区里保存了class信息、静态变量、常量池等。 从jdk-1.8开始，方法区的实现发生了一些变化，取消了永久代的概念&#xff…
阅读更多...
推荐文章
最新文章

Copyright @ 2022~2023