networkX tutorial
- 绘制基本网络图
- 绘制划分后的社区
绘制基本网络图
用matplotlib绘制网络图
基本流程:
1. 导入networkx,matplotlib包
2. 建立网络
3. 绘制网络 nx.draw()
4. 建立布局 pos = nx.spring_layout美化作用
最基本画图程序
import import networkx as nx #导入networkx包
import matplotlib.pyplot as plt
G = nx.random_graphs.barabasi_albert_graph(100,1) #生成一个BA无标度网络G
nx.draw(G) #绘制网络G
plt.savefig("ba.png") #输出方式1: 将图像存为一个png格式的图片文件
plt.show() #输出方式2: 在窗口中显示这幅图像
networkx 提供画图的函数有:
-
draw
(G,[pos,ax,hold]) -
draw_networkx
(G,[pos,with_labels]) -
draw_networkx_nodes
(G,pos,[nodelist]) 绘制网络G的节点图 -
draw_networkx_edges
(G,pos[edgelist]) 绘制网络G的边图 -
draw_networkx_edge_labels
(G, pos[, …]) 绘制网络G的边图,边有label
—有layout 布局画图函数的分界线— -
draw_circular(G, **kwargs)
Draw the graph G with a circular layout. -
draw_random(G, **kwargs)
Draw the graph G with a random layout. -
draw_spectral(G, **kwargs)
Draw the graph G with a spectral layout. -
draw_spring(G, **kwargs)
Draw the graph G with a spring layout. -
draw_shell(G, **kwargs)
Draw networkx graph with shell layout. -
draw_graphviz(G[, prog])
Draw networkx graph with graphviz layout.
networkx 画图参数:
– node_size
: 指定节点的尺寸大小(默认是300,单位未知,就是上图中那么大的点)
– node_color
: 指定节点的颜色 (默认是红色,可以用字符串简单标识颜色,例如’r’为红色,’b’为绿色等,具体可查看手册),用“数据字典”赋值的时候必须对字典取值(.values())后再赋值
– node_shape
: 节点的形状(默认是圆形,用字符串’o’标识,具体可查看手册)
– alpha
: 透明度 (默认是1.0,不透明,0为完全透明)
– width
: 边的宽度 (默认为1.0)
– edge_color
: 边的颜色(默认为黑色)
– style
: 边的样式(默认为实现,可选: solid|dashed|dotted,dashdot)
– with_labels
: 节点是否带标签(默认为True)
– font_size
: 节点标签字体大小 (默认为12)
– font_color
: 节点标签字体颜色(默认为黑色)
e.g. nx.draw(G,node_size = 30, with_label = False)
绘制节点的尺寸为30,不带标签的网络图。
布局指定节点排列形式
pos = nx.spring_layout
建立布局,对图进行布局美化,networkx 提供的布局方式有:
– circular_layout:节点在一个圆环上均匀分布
– random_layout:节点随机分布
– shell_layout:节点在同心圆上分布
– spring_layout: 用Fruchterman-Reingold算法排列节点(这个算法我不了解,样子类似多中心放射状)
– spectral_layout:根据图的拉普拉斯特征向量排列节
布局也可用pos参数指定,例如,nx.draw(G, pos = spring_layout(G)) 这样指定了networkx上以中心放射状分布.
绘制划分后的社区
先看一段代码,代码源自site
partition = community.best_partition(User)
size = float(len(set(partition.values())))
pos = nx.spring_layout(G)
count = 0.
for com in set(partition.values()) :
count = count + 1.
list_nodes = [nodes for nodes in partition.keys()
if partition[nodes] == com]
nx.draw_networkx_nodes(G, pos, list_nodes, node_size = 50,
node_color = str(count / size))
nx.draw_networkx_edges(User,pos,with_labels = True, alpha=0.5 )
plt.show()
communit.best_partition 是社区划分方法,算法是根据Vincent D.Blondel 等人于2008提出,是基于modularity optimization的heuristic方法.
partition的结果存在字典数据类型:{'1': 0, '3': 1, '2': 0, '5': 1, '4': 0, '6': 0}
单引号里的数据是key,也就是网络中节点编号。
冒号后面的数值,表示网络中节点的编号属于哪个社区。也就是社区标号。如'6': 0
表示6节点属于0社区
list_nodes = [nodes for nodes in partition.keys()
if partition[nodes] == com]
每次循环list_nodes结果是社区i对应的用户编号。
如第一次循环结果是com = 0, list_nodes= [‘1′,’2′,’4′,’6’]
第二次循环的结果是com = 1, list_nodes = [‘3′,’6’]
这样每次循环,画出一个社区的所有节点:
nx.draw_networkx_nodes(G, pos, list_nodes, node_size = 50,
node_color = str(count / size))
循环结束后通过颜色来标识不同社区