NetworkX绘图，更上一层

原创

皮大大

发布于 2024-06-13 17:21:26

890

发布于 2024-06-13 17:21:26

文章被收录于专栏：机器学习/数据可视化机器学习/数据可视化

公众号：尤而小屋编辑：Peter 作者：Peter

大家好，我是Peter~

本文给大家带来Networkx绘图的进阶方法，包含：

自定义图形边缘色、图形中心点、节点颜色、图形布局
绘制带有权重的图
度分布图的绘制
自我网络图的绘制
随机几何图的绘制
多部图的绘制

官网学习地址：https://networkx.org/documentation/stable/auto_examples/drawing/index.html

看下部分效果：

import pandas as pd
import numpy as np

import networkx as nx
import matplotlib.pyplot as plt

自定义边缘色图Edge Colormap

import matplotlib.pyplot as plt
import networkx as nx

G = nx.star_graph(20)  # 创建星星图；参数表示中心点的邻居数量
pos = nx.spring_layout(G, seed=63)   # 布局设置
colors = range(20)  # 颜色设置
options = {   # 绘图选项
    "node_color": "#A01BE2", # 点的颜色
    "edge_color": colors,  # 边缘色
    "width": 3,  # 宽线条度
    "edge_cmap": plt.cm.Blues,
    "with_labels": True,   # 是否显示数值
}
nx.draw_networkx(G, pos, **options)
plt.show()

自定义图形中心点

G = nx.path_graph(20) # 20个节点
center_node = 5   # 中心节点
edge_nodes = set(G) - {center_node}  # 边缘节点
pos = nx.circular_layout(G.subgraph(edge_nodes))  # 边缘节点布局
pos[center_node] = np.array([0, 0])  # 设置中心节点位置
nx.draw_networkx(G, pos, with_labels=True)  # 绘制图形

自定义节点颜色

import matplotlib.pyplot as plt
import networkx as nx

G = nx.cycle_graph(30)
pos = nx.circular_layout(G)
nx.draw_networkx(G, pos, node_color=range(30), node_size=600, cmap=plt.cm.Blues)
plt.show()

自定义图形布局

# 创建名为"Davis Southern Women"的社交网络图。这个图描述了美国南部一群妇女之间的社交关系。
G = nx.davis_southern_women_graph()    
# 社区检测： 使用贪婪模块度最大化算法来检测图中的社区
communities = nx.community.greedy_modularity_communities(G)  

# supergraph = nx.cycle_graph(len(communities))
superpos = nx.spring_layout(G, scale=50, seed=429)  # 计算原始图的布局
# 初始化节点位置
centers = list(superpos.values())
pos = {}

# 为每个社区计算布局并更新节点位置
for center, comm in zip(centers, communities):
    pos.update(nx.spring_layout(nx.subgraph(G, comm), center=center, seed=1430))

# 绘制图的节点和边
for nodes, clr in zip(communities, ("tab:blue", "tab:orange", "tab:green")):
    nx.draw_networkx_nodes(G, pos=pos, nodelist=nodes, node_color=clr, node_size=100)
nx.draw_networkx_edges(G, pos=pos)

# tight_layout来自动调整子图和装饰元素的位置；show函数显示图形
plt.tight_layout()
plt.show()

权重图Weighted Graph

绘制带有权重的图形：

import matplotlib.pyplot as plt
import networkx as nx

G = nx.Graph()

# 添加多个边和权重
G.add_edge("a", "b", weight=0.6)
G.add_edge("a", "c", weight=0.2)
G.add_edge("c", "d", weight=0.5)
G.add_edge("c", "e", weight=0.7)
G.add_edge("c", "f", weight=0.9)
G.add_edge("a", "d", weight=0.3)

# 根据阈值0.5选择不同的边
elarge = [(u, v) for (u, v, d) in G.edges(data=True) if d["weight"] > 0.5]
esmall = [(u, v) for (u, v, d) in G.edges(data=True) if d["weight"] <= 0.5]

pos = nx.spring_layout(G,seed=7)

# 添加节点
nx.draw_networkx_nodes(G, pos, node_size=700)
# 添加边
nx.draw_networkx_edges(G, pos, edgelist=elarge, width=4)  # 权重较大的边
nx.draw_networkx_edges(G, pos, edgelist=esmall, width=4, alpha=0.5, edge_color="b", style="dashed")  # 权重较小的边
# 节点labels
nx.draw_networkx_labels(G, pos, font_size=15, font_family="sans-serif")
# edge with labels
edge_labels = nx.get_edge_attributes(G, "weight")
nx.draw_networkx_edge_labels(G, pos, edge_labels)

ax = plt.gca()
ax.margins(0.08)
plt.axis("off")
plt.tight_layout()
plt.show()

度分析degree analysis

通过度的秩图和直方图来显示

import networkx as nx
import numpy as np
import matplotlib.pyplot as plt

# 创建随机图
G = nx.gnp_random_graph(100, 0.02, seed=1234)
# 获取度序列并排序
degree_sequence = sorted((d for n, d in G.degree()), reverse=True)
d_max = max(degree_sequence)

# 创建图形和网格
fig = plt.figure("Degree of a random graph",figsize=(8,8))
axgrid = fig.add_gridspec(5,4)

# 绘制连通分量  
ax0 = fig.add_subplot(axgrid[0:3,:])
Gcc = G.subgraph(sorted(nx.connected_components(G), key=len, reverse=True)[0])
pos = nx.spring_layout(Gcc, seed=1234)
nx.draw_networkx_nodes(Gcc, pos, ax=ax0, node_size=20)
nx.draw_networkx_edges(Gcc, pos, ax=ax0, alpha=0.4)
ax0.set_title("Connected components of G")
ax0.set_axis_off()


# 绘制度序列排名图  
ax1 = fig.add_subplot(axgrid[3:, :2])
ax1.plot(degree_sequence, "b-", marker="o")
ax1.set_title("Degree Rank Plot")
ax1.set_ylabel("Degree")
ax1.set_xlabel("Rank")


# 绘制度直方图
ax2 = fig.add_subplot(axgrid[3:, 2:])
ax2.bar(*np.unique(degree_sequence, return_counts=True))
ax2.set_title("Degree histogram")
ax2.set_xlabel("Degree")
ax2.set_ylabel("# of Nodes")

fig.tight_layout()
plt.show()

自我网络图Ego graph

自我网络(Ego graph)是一种特殊类型的网络，由一个中心节点和所有直接与之相连的其他节点组成。

自我网络图（Ego Network Graph）是一种社会网络分析方法，用于研究个体（称为“自我”或“Ego”）及其直接联系人（称为“Alters”）之间的关系。在自我网络图中，一个节点代表自我，其他节点代表与自我有直接联系的人（也被称之为分身），边则表示这些联系。自我网络图有助于了解个体在社会结构中的位置和作用，以及个体如何通过其社交网络影响和受到他人影响。

from operator import itemgetter

import matplotlib.pyplot as plt
import networkx as nx

# 设置Barabási-Albert网络的参数。
# m表示每次添加新节点时，新节点连接到的已存在节点的数量；n-网络中总节点数；seed是随机种子
m, n, seed = 3, 1000, 20532
G = nx.barabasi_albert_graph(n, m, seed=seed)

# 找到度数最大的节点
node_and_degree = G.degree()
(largest_hub, degree) = sorted(node_and_degree, key=itemgetter(1))[-1]

# 提取ego网络
hub_ego = nx.ego_graph(G, largest_hub)
# 设置ego网络的布局
pos = nx.spring_layout(hub_ego, seed=seed)  
# 绘制网络
nx.draw_networkx(hub_ego, pos, node_color="b", node_size=50, with_labels=False)
# 突出显示度数最大的节点
options = {"node_size": 400, "node_color": "r"}

nx.draw_networkx_nodes(hub_ego, 
                       pos, 
                       nodelist=[largest_hub], **options
                      )
plt.show()

随机几何图Random Geometric Graph

随机几何图（Random Geometric Graph, RGG）是一种图模型，用于模拟无线通信网络中的节点分布和连接。在随机几何图中，节点是根据一定的几何过程（通常是泊松点过程）随机分布在空间中的，而图中的边则对应于这些节点之间的无线连接。

随机几何图的特性：

随机节点分布：节点位置通常按照泊松点过程随机分布在给定的空间区域内。
几何距离依赖性：节点间的连接（即图的边）通常基于它们之间的欧几里得距离，只有当两个节点的距离小于某个阈值时，它们之间才存在一条边。
连通性分析：随机几何图常用于分析无线通信网络的连通性和覆盖范围。
网络性能评估：通过随机几何图可以评估网络中节点的分布对网络性能的影响。
空间相关性：由于节点位置的随机性，随机几何图能够体现实际网络中的不确定性和空间相关性。

import matplotlib.pyplot as plt
import networkx as nx

# 200个节点的随机几何图，连接概率阈值为0.125（如果两个节点之间的距离小于这个值，它们之间存在一个边）
G = nx.random_geometric_graph(200,0.125,seed=1234)  
pos = nx.get_node_attributes(G, "pos")  # 获取节点位置

dmin = 1  # 当前找到的最小距离
n_center = 0  # 距离最小的节点

for n in pos:  # 遍历所有节点；找到距离(0.5,0.5)最近的节点
    x,y = pos[n]
    d = (x - 0.5) ** 2 + (y - 0.5) ** 2
    if d < dmin:
        n_center = n
        dmin = d

# 计算最短路径长度
p = dict(nx.single_source_shortest_path_length(G, n_center))

plt.figure(figsize=(8,8)) # 图像大小
nx.draw_networkx_edges(G, pos, alpha=0.4)  # 绘制边和节点
nx.draw_networkx_nodes(
    G,
    pos,
    nodelist=list(p.keys()),  # 节点、大小、颜色、
    node_size=80,
    node_color=list(p.values()),
    cmap=plt.cm.Reds_r, # 色彩映射
)


plt.xlim(-0.05, 1.05)  # x-y轴范围
plt.ylim(-0.05, 1.05)
plt.axis("off")   # 关闭边框轴
plt.show()

多部图Multipartite Layout

import itertools  # 迭代和组合
import matplotlib.pyplot as plt
import networkx as nx

# 子图大小和颜色
subset_sizes = [1, 5, 4, 3, 2, 4, 4, 3]
subset_color = ["gold","violet","violet","violet","violet","limegreen","limegreen","darkorange"]

def multilayered_graph(*subset_sizes): 
    extents = nx.utils.pairwise(itertools.accumulate((0,) + subset_sizes))  # 计算每层的开始和结束索引
    layers = [range(start, end) for start, end in extents]  
    G = nx.Graph()  # 创建图
    
    for i, layer in enumerate(layers):  # 遍历层；并添加
        G.add_nodes_from(layer, layer=i)
        
    for layer1, layer2 in nx.utils.pairwise(layers):  # 保证每一层的每个节点都和下层的每个节点相连
        G.add_edges_from(itertools.product(layer1, layer2))  # itertools.product 生成笛卡尔积
        
    return G

G = multilayered_graph(*subset_sizes)  
color = [subset_color[data["layer"]] for v, data in G.nodes(data=True)] 
# 使用nx.multipartite_layout函数为图中的节点计算位置
pos = nx.multipartite_layout(G, subset_key="layer")

plt.figure(figsize=(6, 6))
nx.draw_networkx(G, pos, node_color=color, with_labels=True)  #   with_labels 显示数据
plt.axis("equal")
plt.show()