Graphviz

润森

发布于 2019-10-30 14:49:12

1.5K0

发布于 2019-10-30 14:49:12

文章被收录于专栏：毛利学Python

学习一时爽，一直学习一直爽

Hello，大家好，我是もうり，一个从无到有的技术+语言小白。

官方文档：http://www.graphviz.org

graphviz是贝尔实验室开发的一个开源的工具包，它使用一个特定的DSL(领域特定语言):dot作为脚本语言，然后使用布局引擎来解析此脚本，并完成自动布局。

Graphviz

graphviz本身是一个绘图工具软件，下载地址在：http://www.graphviz.org/。如果你是linux，可以用apt-get或者yum的方法安装。如果是windows，就在官网下载msi文件安装。无论是linux还是windows，装完后都要设置环境变量，将graphviz的bin目录加到PATH，比如我是windows，加入了PATH

在这里插入图片描述

如何布局

graphviz中包含了众多的布局器：

dot 默认布局方式，主要用于有向图
neato 基于spring-model(又称force-based)算法
twopi 径向布局
circo 圆环布局
graph用于无向图

会个dot和graph就能装逼了

要用graphviz画图，首先要明确的就是所画之图为有向图还是无向图。

Digraph表示有向图，graph表示无向图。

一般来说，主要是有向图，无向图也可通过设置边的属性来画出无向边。

须注意的是，-> 表示有向图中的边，-- 表示无向图中的边，不能混用。

有向图图

比如，要绘制一个有向图，包含4个节点a,b,c,d。

其中a指向b，b和c指向d。可以定义下列脚本：

建立一个demo.dot脚本：

digraph demo{
a->b;
b->d;
c->d;
}

在这里插入图片描述

然后保存下

在这里插入图片描述

那么这个demo.png就生成了

在这里插入图片描述

打开Graphviz好麻烦，没错还可以直接用cmd

打开cmd到first.dot目录下，运行： dot -Tpng demo.dot -o demo.png 可以得到画好的图形。

解释：dot表示使用的是dot布局，其他布局相应的修改即可，-T表示格式，即画成png格式，-o表示重命名为first.png。

无向图

就是将->变成 --

graph demo1 {
    a -- b
    b -- c
    c -- a
}

在这里插入图片描述

恭喜你入门了，我也就会个dot

http://icodeit.org/2012/01/%E4%BD%BF%E7%94%A8graphviz%E7%BB%98%E5%88%B6%E6%B5%81%E7%A8%8B%E5%9B%BE/

后面就是学下换样式换图形

在这里插入图片描述

我得说下hash表就是通过这玩意画的

在这里插入图片描述

在这里插入图片描述

py交互

主要是将一个决策树可视化

sklearn自带的 export_graphviz

使用的包是pydotplus

pip install pydotplus

demo

# author: 毛利
from sklearn.model_selection import train_test_split
import pandas as pd
from sklearn.tree import DecisionTreeClassifier
from sklearn import datasets
from  sklearn import tree
from sklearn.metrics import accuracy_score
import pydotplus
iris = datasets.load_iris()
iris_feature = '花萼长度', '花萼宽度', '花瓣长度', '花瓣宽度'
iris_feature_E = 'sepal length', 'sepal width', 'petal length', 'petal width'
iris_class = 'Iris-setosa', 'Iris-versicolor', 'Iris-virginica'
x = pd.DataFrame(iris['data'])[[0,1]]
y = iris.target
x_train,x_test,y_train,y_test = train_test_split(x,y)
model = DecisionTreeClassifier()
model.fit(x_train,y_train)
y_train_pred = model.predict(x_train)
print('训练集正确率：', accuracy_score(y_train, y_train_pred))

# 保存
# dot -Tpng my.dot -o my.png
# 1、输出
with open('iris.dot', 'w') as f:
    tree.export_graphviz(model, out_file=f, feature_names=iris_feature_E[0:2], class_names=iris_class,
                         filled=True, rounded=True, special_characters=True)
tree.export_graphviz(model, out_file='iris.dot', feature_names=iris_feature_E[0:2], class_names=iris_class,
                     filled=True, rounded=True, special_characters=True)
# 2、给定文件名
tree.export_graphviz(model, out_file='iris.dot')
# tree.export_graphviz(model, out_file='iris.dot')
# 3、输出为pdf格式
dot_data = tree.export_graphviz(model, out_file=None, feature_names=iris_feature_E[0:2], class_names=iris_class,
                                filled=True, rounded=True, special_characters=True)

graph = pydotplus.graph_from_dot_data(dot_data)
graph.write_pdf('iris.pdf')
f = open('iris.png', 'wb')
f.write(graph.create_png())
f.close()