python中networkx函数的具体使用

 更新时间:2023年02月14日 14:33:57   作者:笃℃  
本文主要介绍了python中networkx函数的具体使用,文中通过示例代码介绍的非常详细,对大家的学习或者工作具有一定的参考学习价值,需要的朋友们下面随着小编来一起学习学习吧

1. 介绍

1.1 前言

NetworkX是复杂网络研究领域中的常用Python包。

1.2 图的类型(Graph Types)

允许以可哈希的object作为节点,任何Python object作为边属性。

如何选择使用哪种图:

1

这里解释一下什么是平行边:连接一对顶点的两条边叫做平行边,即,无向图中,两个顶点间有多条边,他们叫做平行边,打个比方,北京和上海直接可以 是公路、铁路、飞机,那么他们互为平行边。

1.3 常用方法

创建一个空的图

1)无向图:G = nx.Graph()
2)有向图:DG = nx.DiGraph()

将有向图转换为无向图:G = nx.Graph(DG)

图是否有向:G.is_directed() 返回布尔值

添加节点
1)直接添加一个节点(任何object都可以作为节点,包括另一个图)G.add_node(1)、G.add_node(DG)
2)从任何容器加点:a list, dict, set or even the lines from a file or the nodes from another graph…;G.add_nodes_from() 或 nx.path_graph()

添加边
1)添加一条边 G.add_edge(u, v)
2)添加一个边的列表 G.add_edges_from([(1, 2), (1, 3)])
3)添加一个边的collection G.add_edges_from(H.edges)
4)如果添加的边的点不存在于图中,会自动添上相应节点而不报错

属性attribute
1)图的节点/边/图都可以在关联的attribute字典中以键值对key/value形式存储attribute(key一定要是可哈希的)
2)默认情况下属性字典是空的
3)可以通过add_edge() add_node() 方法或直接操作分别名为graph edges nodes的属性字典来进行操作

2. 代码示例

import networkx as nx
import numpy as np 

#定义图的节点和边 
nodes=['0','1','2','3','4','5','a','b','c'] 
edges=[('0','0',1),('0','1',1),('0','5',1),('0','5',2),('1','2',3),('1','4',5),('2','1',7),('2','4',6),('a','b',0.5),('b','c',0.5),('c','a',0.5)] 

plt.subplots(1,2,figsize=(10,3)) 

#定义一个无向图和有向图 
G1 = nx.Graph() 
G1.add_nodes_from(nodes) 
G1.add_weighted_edges_from(edges) 
 
G2 = nx.DiGraph() 
G2.add_nodes_from(nodes) 
G2.add_weighted_edges_from(edges) 
 
pos1=nx.circular_layout(G1) 
pos2=nx.circular_layout(G2) 
 
#画出无向图和有向图 
plt.subplot(121) 
nx.draw(G1,pos1, with_labels=True, font_weight='bold') 
plt.title('无向图',fontproperties=myfont) 
plt.axis('on') 
plt.xticks([]) 
plt.yticks([]) 

plt.subplot(122) 
nx.draw(G2,pos2, with_labels=True, font_weight='bold') 
plt.title('有向图',fontproperties=myfont) 
plt.axis('on') 
plt.xticks([]) 
plt.yticks([]) 

plt.show() 

 #控制numpy输出小数位数 
np.set_printoptions(precision=3)  
 
#邻接矩阵 
A = nx.adjacency_matrix(G1) 
print('邻接矩阵:\n',A.todense()) 
邻接矩阵: 
 [[0.  0.  0.  0.  5.  0.  0.  0.  6. ] 
 [0.  0.  0.  2.  0.  0.  0.  0.  0. ] 
 [0.  0.  0.  0.  0.  0.5 0.5 0.  0. ] 
 [0.  2.  0.  1.  1.  0.  0.  0.  0. ] 
 [5.  0.  0.  1.  0.  0.  0.  0.  7. ] 
 [0.  0.  0.5 0.  0.  0.  0.5 0.  0. ] 
 [0.  0.  0.5 0.  0.  0.5 0.  0.  0. ] 
 [0.  0.  0.  0.  0.  0.  0.  0.  0. ] 
 [6.  0.  0.  0.  7.  0.  0.  0.  0. ]] 

#关联矩阵 
I = nx.incidence_matrix(G1) 
print('\n关联矩阵:\n',I.todense()) 
关联矩阵: 
 [[1. 1. 0. 0. 0. 0. 0. 0. 0.] 
  [0. 0. 1. 0. 0. 0. 0. 0. 0.] 
 [0. 0. 0. 1. 1. 0. 0. 0. 0.] 
  [0. 0. 1. 0. 0. 1. 0. 0. 0.] 
  [0. 1. 0. 0. 0. 1. 0. 1. 0.] 
 [0. 0. 0. 1. 0. 0. 0. 0. 1.] 
 [0. 0. 0. 0. 1. 0. 0. 0. 1.] 
 [0. 0. 0. 0. 0. 0. 0. 0. 0.] 
 [1. 0. 0. 0. 0. 0. 0. 1. 0.]] 

#拉普拉斯矩阵 
L=nx.laplacian_matrix(G1) 
print('\n拉普拉斯矩阵:\n',L.todense()) 
拉普拉斯矩阵: 
  [[11.   0.   0.   0.  -5.   0.   0.   0.  -6. ] 
 [ 0.   2.   0.  -2.   0.   0.   0.   0.   0. ] 
 [ 0.   0.   1.   0.   0.  -0.5 -0.5  0.   0. ] 
 [ 0.  -2.   0.   3.  -1.   0.   0.   0.   0. ] 
 [-5.   0.   0.  -1.  13.   0.   0.   0.  -7. ] 
 [ 0.   0.  -0.5  0.   0.   1.  -0.5  0.   0. ] 
 [ 0.   0.  -0.5  0.   0.  -0.5  1.   0.   0. ] 
 [ 0.   0.   0.   0.   0.   0.   0.   0.   0. ] 
  [-6.   0.   0.   0.  -7.   0.   0.   0.  13. ]] 

#标准化的拉普拉斯矩阵 
NL=nx.normalized_laplacian_matrix(G1) 
print('标准化的拉普拉斯矩阵:\n',NL.todense()) 
标准化的拉普拉斯矩阵: 
  [[ 1.     0.     0.     0.    -0.418  0.     0.     0.    -0.502] 
  [ 0.     1.     0.    -0.707  0.     0.     0.     0.     0.   ] 
  [ 0.     0.     1.     0.     0.    -0.5   -0.5    0.     0.   ] 
  [ 0.    -0.707  0.     0.75  -0.139  0.     0.     0.     0.   ] 
  [-0.418  0.     0.    -0.139  1.     0.     0.     0.    -0.538] 
  [ 0.     0.    -0.5    0.     0.     1.    -0.5    0.     0.   ] 
  [ 0.     0.    -0.5    0.     0.    -0.5    1.     0.     0.   ] 
  [ 0.     0.     0.     0.     0.     0.     0.     0.     0.   ] 
  [-0.502  0.     0.     0.    -0.538  0.     0.     0.     1.   ]] 

#有向图拉普拉斯矩阵 
DL=nx.directed_laplacian_matrix(G2) 
print('\n有向拉普拉斯矩阵:\n',DL) 
有向拉普拉斯矩阵: 
  [[ 0.889 -0.117 -0.029 -0.087 -0.319 -0.029 -0.029 -0.129 -0.242] 
  [-0.117  0.889 -0.026 -0.278 -0.051 -0.026 -0.026 -0.114 -0.056] 
  [-0.029 -0.026  0.994 -0.012 -0.009 -0.481 -0.481 -0.025 -0.01 ] 
  [-0.087 -0.278 -0.012  0.757 -0.097 -0.012 -0.012 -0.052 -0.006] 
  [-0.319 -0.051 -0.009 -0.097  0.994 -0.009 -0.009 -0.041 -0.434] 
  [-0.029 -0.026 -0.481 -0.012 -0.009  0.994 -0.481 -0.025 -0.01 ] 
  [-0.029 -0.026 -0.481 -0.012 -0.009 -0.481  0.994 -0.025 -0.01 ] 
  [-0.129 -0.114 -0.025 -0.052 -0.041 -0.025 -0.025  0.889 -0.045] 
  [-0.242 -0.056 -0.01  -0.006 -0.434 -0.01  -0.01  -0.045  0.994]] 

#拉普拉斯算子的特征值 
LS=nx.laplacian_spectrum(G1) 
print('\n拉普拉斯算子的特征值:\n',LS) 
拉普拉斯算子的特征值: 
 [-1.436e-15  0.000e+00  4.610e-16  7.000e-01  1.500e+00  1.500e+00 
  4.576e+00  1.660e+01  2.013e+01] 

#邻接矩阵的特征值 
AS=nx.adjacency_spectrum(G1) 
print('邻接矩阵的特征值:\n',AS) 
邻接矩阵的特征值: 
  [12.068+0.000e+00j  2.588+0.000e+00j -7.219+0.000e+00j -4.925+0.000e+00j 
 -1.513+0.000e+00j  1.   +0.000e+00j -0.5  +2.393e-17j -0.5  -2.393e-17j0.  +0.000e+00j]

#无向图的代数连通性 
AC=nx.algebraic_connectivity(G1) 
print('无向图的代数连通性:\n',AC) 
无向图的代数连通性: 
  0.0 
  
#图的光谱排序 
SO=nx.spectral_ordering(G1) 
print('图的光谱排序:\n',SO) 
图的光谱排序: 
 ['4', '2', '1', '0', '5', 'b', 'c', 'a', '3'] 

到此这篇关于python中networkx函数的具体使用的文章就介绍到这了,更多相关python networkx使用内容请搜索脚本之家以前的文章或继续浏览下面的相关文章希望大家以后多多支持脚本之家!

相关文章

  • anaconda中安装的python环境中没有pip3的问题及解决

    anaconda中安装的python环境中没有pip3的问题及解决

    这篇文章主要介绍了anaconda中安装的python环境中没有pip3的问题及解决方案,具有很好的参考价值,希望对大家有所帮助。如有错误或未考虑完全的地方,望不吝赐教
    2023-02-02
  • Python利用百度地图获取两地距离(附demo)

    Python利用百度地图获取两地距离(附demo)

    本文主要介绍了Python利用百度地图获取两地距离,文中通过示例代码介绍的非常详细,对大家的学习或者工作具有一定的参考学习价值,需要的朋友们下面随着小编来一起学习学习吧
    2021-07-07
  • python 基础学习第二弹 类属性和实例属性

    python 基础学习第二弹 类属性和实例属性

    本人c程序员,最近开始学python,深深的被python的强大所吸引,今后也会把学到的点点滴滴记录下来,现在分享一下关于类属性和实例属性的一些问题,很基础的东西
    2012-08-08
  • python内置函数delattr()与dict()举例详解

    python内置函数delattr()与dict()举例详解

    这篇文章主要介绍了关于python内置函数delattr()与dict()的相关资料,文中通过示例代码介绍的非常详细,对大家的学习或者工作具有一定的参考学习价值,需要的朋友可以参考下
    2019-08-08
  • 详解Python Matplot中文显示完美解决方案

    详解Python Matplot中文显示完美解决方案

    这篇文章主要介绍了Python Matplot中文显示完美解决方案,文中通过示例代码介绍的非常详细,对大家的学习或者工作具有一定的参考学习价值,需要的朋友们下面随着小编来一起学习学习吧
    2019-03-03
  • 一文讲解python中的继承冲突及继承顺序

    一文讲解python中的继承冲突及继承顺序

    python支持多继承,如果子类没有重写方法,则默认会调用父类的方法,本文主要介绍了一文讲解python中的继承冲突及继承顺序,具有一定的参考价值,感兴趣的可以了解一下
    2024-03-03
  • Python3中的指针你了解吗

    Python3中的指针你了解吗

    Python这个编程语言虽然没有指针类型,但是Python中的可变参量也可以像指针一样,改变一个数值之后,所有指向该数值的可变参量都会随之而改变,这篇文章主要介绍了Python3中的“指针”,需要的朋友可以参考下
    2024-02-02
  • 在Sublime Editor中配置Python环境的详细教程

    在Sublime Editor中配置Python环境的详细教程

    这篇文章主要介绍在sublime编辑器中安装python软件包,以 实现自动完成等功能,并在sublime编辑器本身中运行build,本文通过实例代码给大家介绍的非常详细,需要的朋友参考下吧
    2020-05-05
  • python 中open文件路径的选择问题解析

    python 中open文件路径的选择问题解析

    这篇文章主要介绍了python 中open文件路径的选择问题解析,本文给大家分享完美解决方法,需要的朋友可以参考下
    2021-07-07
  • Python日期时间处理库dateutil详解

    Python日期时间处理库dateutil详解

    dateutil 为 Python 标准库 datetime 提供了强大的扩展,这篇文章主要介绍了Python日期时间处理库dateutil,需要的朋友可以参考下
    2022-09-09

最新评论