一文读懂Python复杂网络分析库networkx | CSDN博文精选

原文链接： https://bss.csdn.net/m/zone/bdtc2019?utm_source=aicamp

作者 |  yyl424525

来源 | CSDN博客

文章目录

1. 简介

• 安装

• 支持四种图

• 绘制网络图基本流程

2. Graph-无向图

节点

边

属性

有向图和无向图互转

3. DiGraph-有向图

• 一些精美的图例子

• 环形树状图

• 权重图

• Giant Component

• Random Geometric Graph 随机几何图

• 节点颜色渐变

• 边的颜色渐变

• Atlas

• 画个五角星

• Club

• 画一个多层感知机

• 绘制一个DNN结构图

• 一些图论算法

• 最短路径

4. 问题

• 一些其他神经网络绘制工具列表

5. 参考

1 简介

networkx是一个用Python语言开发的图论与复杂网络建模工具，内置了常用的图与复杂网络分析算法，可以方便的进行复杂网络数据分析、仿真建模等工作。

利用networkx可以以标准化和非标准化的数据格式存储网络、生成多种随机网络和经典网络、分析网络结构、建立网络模型、设计新的网络算法、进行网络绘制等。

networkx支持创建简单无向图、有向图和多重图（multigraph）；内置许多标准的图论算法，节点可为任意数据；支持任意的边值维度，功能丰富，简单易用。

networkx以图（graph）为基本数据结构。图既可以由程序生成，也可以来自在线数据源，还可以从文件与数据库中读取。

安装

安装的话，跟其他包的安装差不多，用的是anaconda就不用装了。其他就用pip install networkx。

查看版本：

1>>> import networkx
2>>> networkx.__version__
3'1.11'

升级

1pip install --upgrade networkx

下面配合使用的一些库，可以选择性安装：
后面可能用到pygraphviz，安装方法如下（亲测有效）：

1sudo apt-get install graphviz
2sudo apt-get install graphviz libgraphviz-dev pkg-config
3sudo apt-get install python-pip python-virtualenv
4pip install pygraphviz

windows的安装参考这篇博客：https://blog.csdn.net/fadai1993/article/details/82491657#2____linux_9

安装cv2：

1pip install opencv-python #安装非常慢，用下面的方式，从清华源下载
2pip3 install -i https://pypi.tuna.tsinghua.edu.cn/simple opencv-python

支持四种图

• Graph：无多重边无向图

• DiGraph：无多重边有向图

• MultiGraph：有多重边无向图

• MultiDiGraph：有多重边有向图
  

空图对象的创建方式

1import networkx as nx
2G=nx.Graph()
3G=nx.DiGraph()
4G=nx.MultiGraph()
5G=nx.MultiDiGraph()
6G.clear() #清空图

绘制网络图基本流程

• 导入networkx，matplotlib包

• 建立网络

• 绘制网络 nx.draw()

• 建立布局 pos = nx.spring_layout美化作用

最基本画图程序

1import import networkx as nx             #导入networkx包
2import matplotlib.pyplot as plt 
3G = nx.random_graphs.barabasi_albert_graph(100,1)   #生成一个BA无标度网络G
4nx.draw(G)                               #绘制网络G
5plt.savefig("ba.png")           #输出方式1: 将图像存为一个png格式的图片文件
6plt.show()                            #输出方式2: 在窗口中显示这幅图像 

networkx 提供画图的函数

1draw（G，[pos,ax,hold]）
2draw_networkx(G，[pos,with_labels])
3draw_networkx_nodes(G,pos,[nodelist])绘制网络G的节点图
4draw_networkx_edges(G,pos[edgelist])绘制网络G的边图
5draw_networkx_edge_labels(G, pos[, …]) 绘制网络G的边图，边有label
6—有layout 布局画图函数的分界线—
7draw_circular(G, **kwargs) Draw the graph G with a circular layout.
8draw_random(G, **kwargs) Draw the graph G with a random layout.
9draw_spectral(G, **kwargs)Draw the graph G with a spectral layout.
10draw_spring(G, **kwargs)Draw the graph G with a spring layout.
11draw_shell(G, **kwargs) Draw networkx graph with shell layout.
12draw_graphviz(G[, prog])Draw networkx graph with graphviz layout.

networkx 画图函数里的一些参数

• pos(dictionary, optional): 图像的布局，可选择参数；如果是字典元素，则节点是关键字，位置是对应的值。如果没有指明，则会是spring的布局；也可以使用其他类型的布局，具体可以查阅networkx.layout

• arrows :布尔值，默认True; 对于有向图，如果是True则会画出箭头

• with_labels: 节点是否带标签（默认为True）

• ax：坐标设置，可选择参数；依照设置好的Matplotlib坐标画图

• nodelist：一个列表，默认G.nodes(); 给定节点

• edgelist：一个列表，默认G.edges();给定边

• 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)

• cmap：Matplotlib的颜色映射，默认None; 用来表示节点对应的强度

• vmin,vmax：浮点数，默认None;节点颜色映射尺度的最大和最小值

• linewidths：[None|标量|一列值];图像边界的线宽

• width: 边的宽度 (默认为1.0)

• edge_color: 边的颜色(默认为黑色)

• edge_cmap：Matplotlib的颜色映射，默认None; 用来表示边对应的强度

• edge_vmin,edge_vmax：浮点数，默认None;边的颜色映射尺度的最大和最小值

• style: 边的样式(默认为实现，可选：solid|dashed|dotted,dashdot)

• labels：字典元素，默认None;文本形式的节点标签

• 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）

• node_size：节点大小

• font_weight：字符串，默认’normal’

• font_family：字符串，默认’sans-serif’

布局指定节点排列形式

• 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，中心放射状分布

• spectral_layout：根据图的拉普拉斯特征向量排列节点
  

• 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.

2 Graph-无向图

如果添加的节点和边是已经存在的，是不会报错的，NetworkX会自动忽略掉已经存在的边和节点的添加。

节点

常用函数

• nodes(G)：在图节点上返回一个迭代器

• number_of_nodes(G)：返回图中节点的数量

• all_neighbors(graph, node)：返回图中节点的所有邻居

• non_neighbors(graph, node)：返回图中没有邻居的节点

• common_neighbors(G, u, v)：返回图中两个节点的公共邻居

1import networkx as nx
2import matplotlib.pyplot as plt
3G = nx.Graph()  # 建立一个空的无向图G
4#增加节点
5G.add_node('a')  # 添加一个节点1
6G.add_nodes_from(['b', 'c', 'd', 'e'])  # 加点集合
7G.add_cycle(['f', 'g', 'h', 'j'])  # 加环
8H = nx.path_graph(10)  # 返回由10个节点的无向图
9G.add_nodes_from(H)  # 创建一个子图H加入G
10G.add_node(H)  # 直接将图作为节点
11
12nx.draw(G, with_labels=True,node_color='red')
13plt.show()
14
15#访问节点
16print('图中所有的节点', G.nodes())
17#图中所有的节点 [0, 1, 2, 3, 'a', 'c', 'f', 7, 8, 9, , 'g', 'e', 'h', 'b', 4, 6, 5, 'j', 'd']
18
19print('图中节点的个数', G.number_of_nodes())
20#图中节点的个数 20
21
22#删除节点
23G.remove_node(1)    #删除指定节点
24G.remove_nodes_from(['b','c','d','e'])    #删除集合中的节点

边

常用函数

• edges(G[, nbunch])：返回与nbunch中的节点相关的边的视图

• number_of_edges(G)：返回图中边的数目

• non_edges(graph)：返回图中不存在的边

1import networkx as nx
2import matplotlib.pyplot as plt
3
4#添加边方法1
5
6F = nx.Graph() # 创建无向图
7F.add_edge(11,12)   #一次添加一条边
8
9#添加边方法2
10e=(13,14)        #e是一个元组
11F.add_edge(*e) #这是python中解包裹的过程
12
13#添加边方法3
14F.add_edges_from([(1,2),(1,3)])     #通过添加list来添加多条边
15
16H = nx.path_graph(10)          #返回由10个节点的无向图
17#通过添加任何ebunch来添加边
18F.add_edges_from(H.edges()) #不能写作F.add_edges_from(H)
19
20nx.draw(F, with_labels=True)
21plt.show()
22
23#访问边
24print('图中所有的边', F.edges())
25# 图中所有的边 [(0, 1), (1, 2), (1, 3), (2, 3), (3, 4), (4, 5), (5, 6), (6, 7), (7, 8), (8, 9), (11, 12), (13, 14)]
26
27print('图中边的个数', F.number_of_edges()) 
28# 图中边的个数 12
29
30
31
32#删除边
33F.remove_edge(1,2)
34F.remove_edges_from([(11,12), (13,14)])
35
36nx.draw(F, with_labels=True)
37plt.show()

使用邻接迭代器遍历每一条边

1import networkx as nx
2import matplotlib.pyplot as plt
3
4#快速遍历每一条边，可以使用邻接迭代器实现，对于无向图，每一条边相当于两条有向边
5FG = nx.Graph()
6FG.add_weighted_edges_from([(1,2,0.125), (1,3,0.75), (2,4,1.2), (3,4,0.275)])
7for n, nbrs in FG.adjacency_iter():
8    for nbr, eattr in nbrs.items():
9        data = eattr['weight']
10        print('(%d, %d, %0.3f)' % (n,nbr,data))
11        # (1, 2, 0.125)
12        # (1, 3, 0.750)
13        # (2, 1, 0.125)
14        # (2, 4, 1.200)
15        # (3, 1, 0.750)
16        # (3, 4, 0.275)
17        # (4, 2, 1.200)
18        # (4, 3, 0.275)
19
20print('***********************************')
21
22#筛选weight小于0.5的边：
23FG = nx.Graph()
24FG.add_weighted_edges_from([(1,2,0.125), (1,3,0.75), (2,4,1.2), (3,4,0.275)])
25for n, nbrs in FG.adjacency_iter():
26    for nbr, eattr in nbrs.items():
27        data = eattr['weight']
28        if data < 0.5:
29            print('(%d, %d, %0.3f)' % (n,nbr,data))
30            # (1, 2, 0.125)
31            # (2, 1, 0.125)
32            # (3, 4, 0.275)
33            # (4, 3, 0.275)
34
35print('***********************************')
36
37#一种方便的访问所有边的方法:
38for u,v,d in FG.edges(data = 'weight'):
39    print((u,v,d))
40    # (1, 2, 0.125)
41    # (1, 3, 0.75)
42    # (2, 4, 1.2)
43    # (3, 4, 0.275)

属性

属性诸如weight,labels,colors,或者任何对象，都可以附加到图、节点或边上。

对于每一个图、节点和边都可以在关联的属性字典中保存一个（多个）键-值对。

默认情况下这些是一个空的字典，但是可以增加或者是改变这些属性。

图的属性

1#图的属性
2
3import networkx as nx
4
5G = nx.Graph(day='Monday')    #可以在创建图时分配图的属性
6print(G.graph)
7
8G.graph['day'] = 'Friday'     #也可以修改已有的属性
9print(G.graph)
10
11G.graph['name'] = 'time'      #可以随时添加新的属性到图中
12print(G.graph)
13
14输出：
15{'day': 'Monday'}
16{'day': 'Friday'}
17{'day': 'Friday', 'name': 'time'}

节点的属性

1#节点的属性
2import networkx as nx
3
4G = nx.Graph(day='Monday')
5G.add_node(1, index='1th')             #在添加节点时分配节点属性
6# print(G.node(data=True))  #TypeError: 'dict' object is not callable
7print(G.node) 
8#{1: {'index': '1th'}}
9
10
11G.node[1]['index'] = '0th'             #通过G.node[][]来添加或修改属性
12print(G.node)
13# {1: {'index': '0th'}}
14
15
16G.add_nodes_from([2,3], index='2/3th') #从集合中添加节点时分配属性
17print(G.node)
18# {1: {'index': '0th'}, 2: {'index': '2/3th'}, 3: {'index': '2/3th'}}

边的属性

1#边的属性
2import networkx as nx
3
4G = nx.Graph(day='manday')
5G.add_edge(1,2,weight=10)                    #在添加边时分配属性
6print(G.edges(data=True))
7#[(1, 2, {'weight': 10})]
8
9G.add_edges_from([(1,3), (4,5)], len=22)     #从集合中添加边时分配属性
10print(G.edges(data='len'))
11# [(1, 2, None), (1, 3, 22), (4, 5, 22)]
12
13G.add_edges_from([(3,4,{'hight':10}),(1,4,{'high':'unknow'})])
14print(G.edges(data=True))
15# [(1, 2, {'weight': 10}), (1, 3, {'len': 22}), (1, 4, {'high': 'unknow'}), (3, 4, {'hight': 10}), (4, 5, {'len': 22})]
16
17
18G[1][2]['weight'] = 100000                   #通过G[][][]来添加或修改属性
19print(G.edges(data=True))
20# [(1, 2, {'weight': 100000}), (1, 3, {'len': 22}), (1, 4, {'high': 'unknow'}), (3, 4, {'hight': 10}), (4, 5, {'len': 22})]

有向图和无向图互转

有向图和多重图的基本操作与无向图一致。

无向图与有向图之间可以相互转换，转化方法如下：

1#有向图转化成无向图
2
3H=DG.to_undirected()
4#或者
5H=nx.Graph(DG)
6
7#无向图转化成有向图
8
9F = H.to_directed()
10#或者
11F = nx.DiGraph(H)

3、DiGraph-有向图

1import networkx as nx
2import matplotlib.pyplot as plt
3
4G = nx.DiGraph()
5G.add_node(1)
6G.add_node(2)
7G.add_nodes_from([3,4,5,6])
8G.add_cycle([1,2,3,4])
9G.add_edge(1,3)
10G.add_edges_from([(3,5),(3,6),(6,7)])
11nx.draw(G,node_color = 'red')
12plt.savefig("youxiangtu.png")
13plt.show()

1from __future__ import division
2import matplotlib.pyplot as plt
3import networkx as nx
4
5G = nx.generators.directed.random_k_out_graph(10, 3, 0.5)
6pos = nx.layout.spring_layout(G)
7
8node_sizes = [3 + 10 * i for i in range(len(G))]
9M = G.number_of_edges()
10edge_colors = range(2, M + 2)
11edge_alphas = [(5 + i) / (M + 4) for i in range(M)]
12
13nodes = nx.draw_networkx_nodes(G, pos, node_size=node_sizes, node_color='blue')
14edges = nx.draw_networkx_edges(G, pos, node_size=node_sizes, arrowstyle='->',
15                               arrowsize=10, edge_color=edge_colors,
16                               edge_cmap=plt.cm.Blues, width=2)
17# set alpha value for each edge
18for i in range(M):
19    edges[i].set_alpha(edge_alphas[i])
20
21ax = plt.gca()
22ax.set_axis_off()
23plt.savefig("directed.jpg")
24plt.show()

一些精美的图例子

环形树状图

1import matplotlib.pyplot as plt
2import networkx as nx
3
4try:
5    import pygraphviz
6    from networkx.drawing.nx_agraph import graphviz_layout
7except ImportError:
8    try:
9        import pydot
10        from networkx.drawing.nx_pydot import graphviz_layout
11    except ImportError:
12        raise ImportError("This example needs Graphviz and either "
13                          "PyGraphviz or pydot")
14
15G = nx.balanced_tree(3, 5)
16pos = graphviz_layout(G, prog='twopi', args='')
17plt.figure(figsize=(8, 8))
18nx.draw(G, pos, node_size=20, alpha=0.5, node_color="blue", with_labels=False)
19plt.axis('equal')
20plt.show()

权重图

1import matplotlib.pyplot as plt
2import networkx as nx
3
4G = nx.Graph()
5
6G.add_edge('a', 'b', weight=0.6)
7G.add_edge('a', 'c', weight=0.2)
8G.add_edge('c', 'd', weight=0.1)
9G.add_edge('c', 'e', weight=0.7)
10G.add_edge('c', 'f', weight=0.9)
11G.add_edge('a', 'd', weight=0.3)
12
13elarge = [(u, v) for (u, v, d) in G.edges(data=True) if d['weight'] > 0.5]
14esmall = [(u, v) for (u, v, d) in G.edges(data=True) if d['weight'] <= 0.5]
15
16pos = nx.spring_layout(G)  # positions for all nodes
17
18# nodes
19nx.draw_networkx_nodes(G, pos, node_size=700)
20
21# edges
22nx.draw_networkx_edges(G, pos, edgelist=elarge,
23                       width=6)
24nx.draw_networkx_edges(G, pos, edgelist=esmall,
25                       width=6, alpha=0.5, edge_color='b', style='dashed')
26
27# labels
28nx.draw_networkx_labels(G, pos, font_size=20, font_family='sans-serif')
29
30plt.axis('off')
31plt.savefig("weight.jpg")
32plt.show()

Giant Component

1import math
3
4import matplotlib.pyplot as plt
5import networkx as nx
6
7try:
8    import pygraphviz
9    from networkx.drawing.nx_agraph import graphviz_layout
10    layout = graphviz_layout
11except ImportError:
12    try:
13        import pydot
14        from networkx.drawing.nx_pydot import graphviz_layout
15        layout = graphviz_layout
16    except ImportError:
17        print("PyGraphviz and pydot not found;\n"
18              "drawing with spring layout;\n"
19              "will be slow.")
20        layout = nx.spring_layout
21
22n = 150  # 150 nodes
23# p value at which giant component (of size log(n) nodes) is expected
24p_giant = 1.0 / (n - 1)
25# p value at which graph is expected to become completely connected
26p_conn = math.log(n) / float(n)
27
28# the following range of p values should be close to the threshold
29pvals = [0.003, 0.006, 0.008, 0.015]
30
31region = 220  # for pylab 2x2 subplot layout
32plt.subplots_adjust(left=0, right=1, bottom=0, top=0.95, wspace=0.01, hspace=0.01)
33for p in pvals:
34    G = nx.binomial_graph(n, p)
35    pos = layout(G)
36    region += 1
37    plt.subplot(region)
38    plt.title("p = %6.3f" % (p))
39    nx.draw(G, pos,
40            with_labels=False,
41            node_size=10
42           )
43    # identify largest connected component
44    Gcc = sorted(nx.connected_component_subgraphs(G), key=len, reverse=True)
45    G0 = Gcc[0]
46    nx.draw_networkx_edges(G0, pos,
47                           with_labels=False,
48                           edge_color='r',
49                           width=6.0
50                          )
51    # show other connected components
52    for Gi in Gcc[1:]:
53        if len(Gi) > 1:
54            nx.draw_networkx_edges(Gi, pos,
55                                   with_labels=False,
56                                   edge_color='r',
57                                   alpha=0.3,
58                                   width=5.0
59                                  )
60plt.show()

Random Geometric Graph 随机几何图

1import matplotlib.pyplot as plt
2import networkx as nx
3
4G = nx.random_geometric_graph(200, 0.125)
5# position is stored as node attribute data for random_geometric_graph
6pos = nx.get_node_attributes(G, 'pos')
7
8# find node near center (0.5,0.5)
9dmin = 1
10ncenter = 0
11for n in pos:
12    x, y = pos[n]
13    d = (x - 0.5)**2 + (y - 0.5)**2
14    if d < dmin:
15        ncenter = n
16        dmin = d
17
18# color by path length from node near center
19p = dict(nx.single_source_shortest_path_length(G, ncenter))
20
21plt.figure(figsize=(8, 8))
22nx.draw_networkx_edges(G, pos, nodelist=[ncenter], alpha=0.4)
23nx.draw_networkx_nodes(G, pos, nodelist=list(p.keys()),
24                       node_size=80,
25                       node_color=list(p.values()),
26                       cmap=plt.cm.Reds_r)
27
28plt.xlim(-0.05, 1.05)
29plt.ylim(-0.05, 1.05)
30#plt.axis('off')
31plt.show()

节点颜色渐变

1import networkx as nx
2import matplotlib.pyplot as plt
3G = nx.cycle_graph(24)
4pos = nx.spring_layout(G, iterations=200)
5nx.draw(G, pos, node_color=range(24), node_size=800, cmap=plt.cm.Blues)
6plt.savefig("node.jpg")
7plt.show()

边的颜色渐变

1import matplotlib.pyplot as plt
2import networkx as nx
3
4G = nx.star_graph(20)
5pos = nx.spring_layout(G) #布局为中心放射状
6colors = range(20)
7nx.draw(G, pos, node_color='#A0CBE2', edge_color=colors,
8        width=4, edge_cmap=plt.cm.Blues, with_labels=False)
9plt.show()

Atlas

1import random
2
3try:
4    import pygraphviz
5    from networkx.drawing.nx_agraph import graphviz_layout
6except ImportError:
7    try:
8        import pydot
9        from networkx.drawing.nx_pydot import graphviz_layout
10    except ImportError:
11        raise ImportError("This example needs Graphviz and either "
12                          "PyGraphviz or pydot.")
13
14import matplotlib.pyplot as plt
15
16import networkx as nx
17from networkx.algorithms.isomorphism.isomorph import graph_could_be_isomorphic as isomorphic
18from networkx.generators.atlas import graph_atlas_g
19
20
21def atlas6():
22    """ Return the atlas of all connected graphs of 6 nodes or less.
23        Attempt to check for isomorphisms and remove.
24    """
25
26    Atlas = graph_atlas_g()[0:208]  # 208
27    # remove isolated nodes, only connected graphs are left
28    U = nx.Graph()  # graph for union of all graphs in atlas
29    for G in Atlas:
30        zerodegree = [n for n in G if G.degree(n) == 0]
31        for n in zerodegree:
32            G.remove_node(n)
33        U = nx.disjoint_union(U, G)
34
35    # iterator of graphs of all connected components
36    C = (U.subgraph(c) for c in nx.connected_components(U))
37
38    UU = nx.Graph()
39    # do quick isomorphic-like check, not a true isomorphism checker
40    nlist = []  # list of nonisomorphic graphs
41    for G in C:
42        # check against all nonisomorphic graphs so far
43        if not iso(G, nlist):
44            nlist.append(G)
45            UU = nx.disjoint_union(UU, G)  # union the nonisomorphic graphs
46    return UU
47
48
49def iso(G1, glist):
50    """Quick and dirty nonisomorphism checker used to check isomorphisms."""
51    for G2 in glist:
52        if isomorphic(G1, G2):
53            return True
54    return False
55
56
57if __name__ == '__main__':
58    G = atlas6()
59
60    print("graph has %d nodes with %d edges"
61          % (nx.number_of_nodes(G), nx.number_of_edges(G)))
62    print(nx.number_connected_components(G), "connected components")
63
64    plt.figure(1, figsize=(8, 8))
65    # layout graphs with positions using graphviz neato
66    pos = graphviz_layout(G, prog="neato")
67    # color nodes the same in each connected subgraph
68    C = (G.subgraph(c) for c in nx.connected_components(G))
69    for g in C:
70        c = [random.random()] * nx.number_of_nodes(g)  # random color...
71        nx.draw(g,
72                pos,
73                node_size=40,
74                node_color=c,
75                vmin=0.0,
76                vmax=1.0,
77                with_labels=False
78               )
79    plt.show()

画个五角星

1import networkx as nx
2import matplotlib.pyplot as plt
3#画图！
4G=nx.Graph()
5G.add_node(1)
6G.add_nodes_from([2,3,4,5])
7for i in range(5):
8    for j in range(i):
9        if (abs(i-j) not in (1,4)):
10            G.add_edge(i+1, j+1)
11nx.draw(G,
12        with_labels=True, #这个选项让节点有名称
13        edge_color='b', # b stands for blue!
14        pos=nx.circular_layout(G), # 这个是选项选择点的排列方式，具体可以用 help(nx.drawing.layout) 查看
15     # 主要有spring_layout  (default), random_layout, circle_layout, shell_layout
16     # 这里是环形排布，还有随机排列等其他方式
17        node_color='r', # r = red
18        node_size=1000, # 节点大小
19        width=3, # 边的宽度
20       )
21plt.savefig("star.jpg")
22plt.show()

Club

1import matplotlib.pyplot as plt
2import networkx as nx
3import networkx.algorithms.bipartite as bipartite
4
5G = nx.davis_southern_women_graph()
6women = G.graph['top']
7clubs = G.graph['bottom']
8
9print("Biadjacency matrix")
10print(bipartite.biadjacency_matrix(G, women, clubs))
11
12# project bipartite graph onto women nodes
13W = bipartite.projected_graph(G, women)
14print('')
15print("#Friends, Member")
16for w in women:
17    print('%d %s' % (W.degree(w), w))
18
19# project bipartite graph onto women nodes keeping number of co-occurence
20# the degree computed is weighted and counts the total number of shared contacts
21W = bipartite.weighted_projected_graph(G, women)
22print('')
23print("#Friend meetings, Member")
24for w in women:
25    print('%d %s' % (W.degree(w, weight='weight'), w))
26
27nx.draw(G,node_color="red")
28plt.savefig("club.jpg")
29plt.show()

画一个多层感知机

1import matplotlib.pyplot as plt
2import networkx as nx
3left, right, bottom, top, layer_sizes = .1, .9, .1, .9, [4, 7, 7, 2]
4# 网络离上下左右的距离
5# layter_sizes可以自己调整
6import random
7G = nx.Graph()
8v_spacing = (top - bottom)/float(max(layer_sizes))
9h_spacing = (right - left)/float(len(layer_sizes) - 1)
10node_count = 0
11for i, v in enumerate(layer_sizes):
12    layer_top = v_spacing*(v-1)/2. + (top + bottom)/2.
13    for j in range(v):
14        G.add_node(node_count, pos=(left + i*h_spacing, layer_top - j*v_spacing))
15        node_count += 1
16# 这上面的数字调整我想了好半天，汗
17for x, (left_nodes, right_nodes) in enumerate(zip(layer_sizes[:-1], layer_sizes[1:])):
18    for i in range(left_nodes):
19        for j in range(right_nodes):
20            G.add_edge(i+sum(layer_sizes[:x]), j+sum(layer_sizes[:x+1]))
21
22pos=nx.get_node_attributes(G,'pos')
23# 把每个节点中的位置pos信息导出来
24nx.draw(G, pos,
25        node_color=range(node_count),
26        with_labels=True,
27        node_size=200,
28        edge_color=[random.random() for i in range(len(G.edges))],
29        width=3,
30        cmap=plt.cm.Dark2, # matplotlib的调色板，可以搜搜，很多颜色
31        edge_cmap=plt.cm.Blues
32       )
33plt.savefig("mlp.jpg")
34plt.show()

绘制一个DNN结构图

1# -*- coding:utf-8 -*-
2import networkx as nx
3import matplotlib.pyplot as plt
4
5# 创建DAG
6G = nx.DiGraph()
7
8# 顶点列表
9vertex_list = ['v'+str(i) for i in range(1, 22)]
10# 添加顶点
11G.add_nodes_from(vertex_list)
12
13# 边列表
14edge_list = [
15             ('v1', 'v5'), ('v1', 'v6'), ('v1', 'v7'),('v1', 'v8'),('v1', 'v9'),
16             ('v2', 'v5'), ('v2', 'v6'), ('v2', 'v7'),('v2', 'v8'),('v2', 'v9'),
17             ('v3', 'v5'), ('v3', 'v6'), ('v3', 'v7'),('v3', 'v8'),('v3', 'v9'),
18             ('v4', 'v5'), ('v4', 'v6'), ('v4', 'v7'),('v4', 'v8'),('v4', 'v9'),
19             ('v5','v10'),('v5','v11'),('v5','v12'),('v5','v13'),('v5','v14'),('v5','v15'),
20             ('v6','v10'),('v6','v11'),('v6','v12'),('v6','v13'),('v6','v14'),('v6','v15'),
21             ('v7','v10'),('v7','v11'),('v7','v12'),('v7','v13'),('v7','v14'),('v7','v15'),
22             ('v8','v10'),('v8','v11'),('v8','v12'),('v8','v13'),('v8','v14'),('v8','v15'),
23             ('v9','v10'),('v9','v11'),('v9','v12'),('v9','v13'),('v9','v14'),('v9','v15'),
24             ('v10','v16'),('v10','v17'),('v10','v18'),
25             ('v11','v16'),('v11','v17'),('v11','v18'),
26             ('v12','v16'),('v12','v17'),('v12','v18'),
27             ('v13','v16'),('v13','v17'),('v13','v18'),
28             ('v14','v16'),('v14','v17'),('v14','v18'),
29             ('v15','v16'),('v15','v17'),('v15','v18'),
30             ('v16','v19'),
31             ('v17','v20'),
32             ('v18','v21')
33            ]
34# 通过列表形式来添加边
35G.add_edges_from(edge_list)
36
37# 绘制DAG图
38plt.title('DNN for iris')    #图片标题
39
40nx.draw(
41        G,
42        node_color = 'red',             # 顶点颜色
43        edge_color = 'black',           # 边的颜色
44        with_labels = True,             # 显示顶点标签
45        font_size =10,                  # 文字大小
46        node_size =300                  # 顶点大小
47       )
48# 显示图片
49plt.show()

可以看到，在代码中已经设置好了这22个神经元以及它们之间的连接情况，但绘制出来的结构如却是这样的：

这显然不是想要的结果，因为各神经的连接情况不明朗，而且很多神经都挤在了一起，看不清楚。之所以出现这种情况，是因为没有给神经元设置坐标，导致每个神经元都是随机放置的。

接下来，引入坐标机制，即设置好每个神经元节点的坐标，使得它们的位置能够按照事先设置好的来放置，其Python代码如下：

1# -*- coding:utf-8 -*-
2import networkx as nx
3import matplotlib.pyplot as plt
4
5# 创建DAG
6G = nx.DiGraph()
7
8# 顶点列表
9vertex_list = ['v'+str(i) for i in range(1, 22)]
10# 添加顶点
11G.add_nodes_from(vertex_list)
12
13# 边列表
14edge_list = [
15             ('v1', 'v5'), ('v1', 'v6'), ('v1', 'v7'),('v1', 'v8'),('v1', 'v9'),
16             ('v2', 'v5'), ('v2', 'v6'), ('v2', 'v7'),('v2', 'v8'),('v2', 'v9'),
17             ('v3', 'v5'), ('v3', 'v6'), ('v3', 'v7'),('v3', 'v8'),('v3', 'v9'),
18             ('v4', 'v5'), ('v4', 'v6'), ('v4', 'v7'),('v4', 'v8'),('v4', 'v9'),
19             ('v5','v10'),('v5','v11'),('v5','v12'),('v5','v13'),('v5','v14'),('v5','v15'),
20             ('v6','v10'),('v6','v11'),('v6','v12'),('v6','v13'),('v6','v14'),('v6','v15'),
21             ('v7','v10'),('v7','v11'),('v7','v12'),('v7','v13'),('v7','v14'),('v7','v15'),
22             ('v8','v10'),('v8','v11'),('v8','v12'),('v8','v13'),('v8','v14'),('v8','v15'),
23             ('v9','v10'),('v9','v11'),('v9','v12'),('v9','v13'),('v9','v14'),('v9','v15'),
24             ('v10','v16'),('v10','v17'),('v10','v18'),
25             ('v11','v16'),('v11','v17'),('v11','v18'),
26             ('v12','v16'),('v12','v17'),('v12','v18'),
27             ('v13','v16'),('v13','v17'),('v13','v18'),
28             ('v14','v16'),('v14','v17'),('v14','v18'),
29             ('v15','v16'),('v15','v17'),('v15','v18'),
30             ('v16','v19'),
31             ('v17','v20'),
32             ('v18','v21')
33            ]
34# 通过列表形式来添加边
35G.add_edges_from(edge_list)
36
37# 指定绘制DAG图时每个顶点的位置
38pos = {
39        'v1':(-2,1.5),
40        'v2':(-2,0.5),
41        'v3':(-2,-0.5),
42        'v4':(-2,-1.5),
43        'v5':(-1,2),
44        'v6': (-1,1),
45        'v7':(-1,0),
46        'v8':(-1,-1),
47        'v9':(-1,-2),
48        'v10':(0,2.5),
49        'v11':(0,1.5),
50        'v12':(0,0.5),
51        'v13':(0,-0.5),
52        'v14':(0,-1.5),
53        'v15':(0,-2.5),
54        'v16':(1,1),
55        'v17':(1,0),
56        'v18':(1,-1),
57        'v19':(2,1),
58        'v20':(2,0),
59        'v21':(2,-1)
60       }
61# 绘制DAG图
62plt.title('DNN for iris')    #图片标题
63plt.xlim(-2.2, 2.2)                     #设置X轴坐标范围
64plt.ylim(-3, 3)                     #设置Y轴坐标范围
65nx.draw(
66        G,
67        pos = pos,                      # 点的位置
68        node_color = 'red',             # 顶点颜色
69        edge_color = 'black',           # 边的颜色
70        with_labels = True,             # 显示顶点标签
71        font_size =10,                  # 文字大小
72        node_size =300                  # 顶点大小
73       )
74# 显示图片
75plt.show()

可以看到，在代码中，通过pos字典已经规定好了每个神经元节点的位置。

接下来，需要对这个框架图进行更为细致地修改，需要修改的地方为：

• 去掉神经元节点的标签；

• 添加模型层的文字注释（比如Input layer）
  

其中，第二步的文字注释，我们借助opencv来完成。完整的Python代码如下：

1# -*- coding:utf-8 -*-
2import cv2
3import networkx as nx
4import matplotlib.pyplot as plt
5
6# 创建DAG
7G = nx.DiGraph()
8
9# 顶点列表
10vertex_list = ['v'+str(i) for i in range(1, 22)]
11# 添加顶点
12G.add_nodes_from(vertex_list)
13
14# 边列表
15edge_list = [
16             ('v1', 'v5'), ('v1', 'v6'), ('v1', 'v7'),('v1', 'v8'),('v1', 'v9'),
17             ('v2', 'v5'), ('v2', 'v6'), ('v2', 'v7'),('v2', 'v8'),('v2', 'v9'),
18             ('v3', 'v5'), ('v3', 'v6'), ('v3', 'v7'),('v3', 'v8'),('v3', 'v9'),
19             ('v4', 'v5'), ('v4', 'v6'), ('v4', 'v7'),('v4', 'v8'),('v4', 'v9'),
20             ('v5','v10'),('v5','v11'),('v5','v12'),('v5','v13'),('v5','v14'),('v5','v15'),
21             ('v6','v10'),('v6','v11'),('v6','v12'),('v6','v13'),('v6','v14'),('v6','v15'),
22             ('v7','v10'),('v7','v11'),('v7','v12'),('v7','v13'),('v7','v14'),('v7','v15'),
23             ('v8','v10'),('v8','v11'),('v8','v12'),('v8','v13'),('v8','v14'),('v8','v15'),
24             ('v9','v10'),('v9','v11'),('v9','v12'),('v9','v13'),('v9','v14'),('v9','v15'),
25             ('v10','v16'),('v10','v17'),('v10','v18'),
26             ('v11','v16'),('v11','v17'),('v11','v18'),
27             ('v12','v16'),('v12','v17'),('v12','v18'),
28             ('v13','v16'),('v13','v17'),('v13','v18'),
29             ('v14','v16'),('v14','v17'),('v14','v18'),
30             ('v15','v16'),('v15','v17'),('v15','v18'),
31             ('v16','v19'),
32             ('v17','v20'),
33             ('v18','v21')
34            ]
35# 通过列表形式来添加边
36G.add_edges_from(edge_list)
37
38# 指定绘制DAG图时每个顶点的位置
39pos = {
40        'v1':(-2,1.5),
41        'v2':(-2,0.5),
42        'v3':(-2,-0.5),
43        'v4':(-2,-1.5),
44        'v5':(-1,2),
45        'v6': (-1,1),
46        'v7':(-1,0),
47        'v8':(-1,-1),
48        'v9':(-1,-2),
49        'v10':(0,2.5),
50        'v11':(0,1.5),
51        'v12':(0,0.5),
52        'v13':(0,-0.5),
53        'v14':(0,-1.5),
54        'v15':(0,-2.5),
55        'v16':(1,1),
56        'v17':(1,0),
57        'v18':(1,-1),
58        'v19':(2,1),
59        'v20':(2,0),
60        'v21':(2,-1)
61       }
62# 绘制DAG图
63plt.title('DNN for iris')    #图片标题
64plt.xlim(-2.2, 2.2)                     #设置X轴坐标范围
65plt.ylim(-3, 3)                     #设置Y轴坐标范围
66nx.draw(
67        G,
68        pos = pos,                      # 点的位置
69        node_color = 'red',             # 顶点颜色
70        edge_color = 'black',           # 边的颜色
71        font_size =10,                  # 文字大小
72        node_size =300                  # 顶点大小
73       )
74
75# 保存图片，图片大小为640*480
76plt.savefig('DNN_sketch.png')
77
78# 利用opencv模块对DNN框架添加文字注释
79
80# 读取图片
81imagepath = 'DNN_sketch.png'
82image = cv2.imread(imagepath, 1)
83
84# 输入层
85cv2.rectangle(image, (85, 130), (120, 360), (255,0,0), 2)
86cv2.putText(image, "Input Layer", (15, 390), 1, 1.5, (0, 255, 0), 2, 1)
87
88# 隐藏层
89cv2.rectangle(image, (190, 70), (360, 420), (255,0,0), 2)
90cv2.putText(image, "Hidden Layer", (210, 450), 1, 1.5, (0, 255, 0), 2, 1)
91
92# 输出层
93cv2.rectangle(image, (420, 150), (460, 330), (255,0,0), 2)
94cv2.putText(image, "Output Layer", (380, 360), 1, 1.5, (0, 255, 0), 2, 1)
95
96# sofrmax层
97cv2.rectangle(image, (530, 150), (570, 330), (255,0,0), 2)
98cv2.putText(image, "Softmax Func", (450, 130), 1, 1.5, (0, 0, 255), 2, 1)
99
100# 保存修改后的图片
101cv2.imwrite('DNN.png', image)

一些图论算法

最短路径

函数调用：

1dijkstra_path(G, source, target, weight=‘weight’) ————求最短路径
2dijkstra_path_length(G, source, target, weight=‘weight’) ————求最短距离
3
4import networkx as nx
5import pylab 
6import numpy as np
7#自定义网络
8row=np.array([0,0,0,1,2,3,6])
9col=np.array([1,2,3,4,5,6,7])
10value=np.array([1,2,1,8,1,3,5])
11
12print('生成一个空的有向图')
13G=nx.DiGraph()
14print('为这个网络添加节点...')
15for i in range(0,np.size(col)+1):
16    G.add_node(i)
17print('在网络中添加带权中的边...')
18for i in range(np.size(row)):
19    G.add_weighted_edges_from([(row[i],col[i],value[i])])
20
21print('给网路设置布局...')
22pos=nx.shell_layout(G)
23print('画出网络图像：')
24nx.draw(G,pos,with_labels=True, node_color='white', edge_color='red', node_size=400, alpha=0.5 )
25pylab.title('Self_Define Net',fontsize=15)
26pylab.show()
27
28
29'''
30Shortest Path with dijkstra_path
31'''
32print('dijkstra方法寻找最短路径：')
33path=nx.dijkstra_path(G, source=0, target=7)
34print('节点0到7的路径：', path)
35print('dijkstra方法寻找最短距离：')
36distance=nx.dijkstra_path_length(G, source=0, target=7)
37print('节点0到7的距离为：', distance)

输出：

1生成一个空的有向图
2为这个网络添加节点...
3在网络中添加带权中的边...
4给网路设置布局...
5画出网络图像：
6dijkstra方法寻找最短路径：
7节点0到7的路径： [0, 3, 6, 7]
8dijkstra方法寻找最短距离：
9节点0到7的距离为： 9

问题

本人在pycharm中运行下列程序：

1import networkx as nx
2import matplotlib.pyplot as plt
3
4G = nx.Graph()  # 建立一个空的无向图G
5G.add_node('a')  # 添加一个节点1
6G.add_nodes_from(['b', 'c', 'd', 'e'])  # 加点集合
7G.add_cycle(['f', 'g', 'h', 'j'])  # 加环
8H = nx.path_graph(10)  # 返回由10个节点挨个连接的无向图，所以有9条边
9G.add_nodes_from(H)  # 创建一个子图H加入G
10G.add_node(H)  # 直接将图作为节点
11
12nx.draw(G, with_labels=True)
13plt.show()

发现在Pycharm下使用matploylib库绘制3D图的时候，在最后需要显示图像的时候，每当输入plt.show() 都会报错

1plt.show()
2/yyl/Python/3.6/lib/python/site-packages/matplotlib/figure.py:1743: UserWarning: This figure includes Axes that are not compatible with tight_layout, so its results might be incorrect.
3warnings.warn("This figure includes Axes that are not "
4...
5ValueError: max() arg is an empty sequence

网上的解决方案：File -> Setting -> Tools -> Python Scientific中去掉对Show plots in tool window的勾选就好了

一些其他神经网络绘制工具列表

上面都是一些这个网络库使用的一点总结，更多内容可以参考下面的官方链接。

参考

官方教程：https://networkx.github.io/documentation/stable/_downloads/networkx_reference.pdf

官方网站：https://networkx.github.io/documentation/latest/index.html

官方githu博客：http://networkx.github.io/

用Python的networkx绘制精美网络图：https://blog.csdn.net/qq951127336/article/details/54586869

networkx整理：https://www.cnblogs.com/minglex/p/9205160.html

Networkx使用指南：https://blog.csdn.net/Zhili_wang/article/details/89368177

论文中绘制神经网络工具汇总：https://blog.csdn.net/WZZ18191171661/article/details/87886588

networkx + Cytoscape构建及可视化网络图：https://www.jianshu.com/p/f62991aa1f8a

用python+graphviz/networkx画目录结构树状图：https://blog.csdn.net/XiaoPANGXia/article/details/53043664

扫码查看作者原文

▼▼▼

（*本文为 AI科技大本营转载文章， 转 载请 联系原作者 ）

◆

精彩推荐

◆

2019 中国大数据技术大会（BDTC）再度来袭！豪华主席阵容及百位技术专家齐聚，15 场精选专题技术和行业论坛，超强干货+技术剖析+行业实践立体解读，深入解析热门技术在行业中的实践落地。

即日起， 限量 5 折票 开售，数量有限，扫码购买，先到先得！

推荐阅读

• 确认！语音识别大牛Daniel Povey将入职小米，曾遭霍普金斯大学解雇，怒拒Facebook

• 大规模1.4亿中文知识图谱数据，我把它开源了

• 自动驾驶关键环节：行人的行为意图建模和预测(上)

• 不足 20 行 Python 代码，高效实现 k-means 均值聚类算法

• 巨头垂涎却不能染指，loT 数据库风口已至

• 【建议收藏】数据中心服务器基础知识大全

• 从4个维度深度剖析闪电网络现状，在CKB上实现闪电网络的理由 | 博文精选

• 身边程序员同事竟说自己敲代码速度快！Ctrl+C、Ctrl+V ？

• 100 美元一行代码，开源软件到底咋赚钱？

你点的每个“在看”，我都认真当成了AI