Knowledge Graph 绘图
图论是一种非常强大的数据科学工具，可让您可视化和理解复杂的交互。NetworkX是一个用于构建图形的 Python 包，它具有大部分可用的默认值，但利用 matplotlib 允许我们自定义图形的几乎所有可能的方面。 我知道我希望它在我的脑海中是什么样子，但是经过数小时的文档和 StackOverflow 搜索后，我决定为我学会如何改变的所有东西创建这个一站式商店！ 现在，您也可以构建可读的图表来帮助可视化复杂的关系。
1. 创建 NetworkX 图
我们将从制作一个基本图表开始！ 有几种方法可以做到这一点。 我发现最简单的方法是从你指定边缘的 pandas DataFrame 中。 什么是优势？ 好吧，图是使用节点和边构建的。 一个节点代表某个对象，可能是一个人或一个组织，而一条边代表从一个节点到另一个节点的实际连接。 所以在下面的例子中，“A”、“B”、“C”和“D”是节点，它们之间的线是边。
fig, ax = plt.subplots(figsize=(15,8))
relationships = pd.DataFrame({'from': ['A', 'A', 'A'],
'to': ['B', 'C', 'D']})
G = nx.from_pandas_edgelist(relationships, 'from', 'to', create_using=nx.Graph())
nx.draw(G, with_labels=True)
2. 节点颜色
我们也可以很容易地改变所有节点的颜色。 您会注意到一种模式，即为图形全局更改特征非常简单（在 .draw() 方法中使用关键字）。
fig, ax = plt.subplots(figsize=(15,8))
relationships = pd.DataFrame({'from': ['A', 'A', 'A'],
'to': ['B', 'C', 'D']})
G = nx.from_pandas_edgelist(relationships, 'from', 'to', create_using=nx.Graph())
# Set node_color
nx.draw(G, with_labels=True, node_color='red')
3. 节点类型的节点颜色
但是假设我们想根据类型而不是全局更改节点的颜色。 这需要一些设置，但一旦到位，我们可以快速添加新类型并相应地自动着色。 基本上，我们创建另一个 DataFrame，在其中指定节点 ID 和节点类型，并使用 pd.Categorical() 方法应用颜色图。
所以现在我们的字母节点是蓝色的，我们的数字节点是橙色的！
fig, ax = plt.subplots(figsize=(15, 8))
relationships = pd.DataFrame({'from': ['A', 'A', 'A', '1', '2'],
'to': ['B', 'C', 'D', 'C', 'C']})
# Create DF for node characteristics
carac = pd.DataFrame({'ID':['A', 'B', 'C', 'D', '1', '2'],
'type':['Letter','Letter', 'Letter', 'Letter',
'Number', 'Number']})
# Create graph object
G = nx.from_pandas_edgelist(relationships, 'from', 'to', create_using=nx.Graph())
# Make types into categories
carac = carac.set_index('ID')
carac = carac.reindex(G.nodes())
carac['type'] = pd.Categorical(carac['type'])
carac['type'].cat.codes
# Specify colors
cmap = matplotlib.colors.ListedColormap(['C0', 'darkorange'])
# Draw graph
nx.draw(G, with_labels=True, node_color=carac['type'].cat.codes, cmap=cmap)
4. 节点大小
同样，通过 .draw() 方法中的关键字参数来全局更改节点大小非常简单——只需指定 node_size！
fig, ax = plt.subplots(figsize=(15, 8))
relationships = pd.DataFrame({'from': ['A', 'A', 'A', '1', '2'],
'to': ['B', 'C', 'D', 'C', 'C']})
G = nx.from_pandas_edgelist(relationships, 'from', 'to', create_using=nx.Graph())
# Set node size
nx.draw(G, with_labels=True, node_size=1000)
5. 按节点类型划分的节点大小
我们可以按类型改变节点大小，就像我们可以改变颜色一样！ 我发现这对于将人员与组织联系起来非常有用，因为组织有许多相关人员，因此将它们视为枢纽，以人为辐条是有意义的。
因此，我们将根据类型示例从节点颜色构建，但我们将传递节点大小列表，而不是 node_size 的单个关键字参数，该列表引用用于选择节点颜色的节点类型。
对于 DataFrame 中的每个节点，如果该节点的类型不是“Letter”，则将节点大小设置为 4000，否则将节点大小设置为 1000。结果是任何不是字母的都将是一个更大的节点。 目前只有两种节点类型，这可能有点矫枉过正，但以后会更好地扩展。
fig, ax = plt.subplots(figsize=(15, 8))
relationships = pd.DataFrame({'from': ['A', 'A', 'A', '1', '2'],
'to': ['B', 'C', 'D', 'C', 'C']})
# Create DF for node characteristics
carac = pd.DataFrame({'ID':['A', 'B', 'C', 'D', '1', '2'],
'type':['Letter','Letter', 'Letter', 'Letter',
'Number', 'Number']})
# Create graph object
G = nx.from_pandas_edgelist(relationships, 'from', 'to', create_using=nx.Graph())
# Make types into categories
carac = carac.set_index('ID')
carac = carac.reindex(G.nodes())
carac['type'] = pd.Categorical(carac['type'])
carac['type'].cat.codes
# Specify colors
cmap = matplotlib.colors.ListedColormap(['C0', 'darkorange'])
# Set node sizes
node_sizes = [4000 if entry != 'Letter' else 1000 for entry in carac.type]
# Draw graph
nx.draw(G, with_labels=True, node_color=carac['type'].cat.codes, cmap=cmap,
node_size=node_sizes)
6. 手动节点大小
如果我们不需要按类型更改节点大小，而只是想引起对特定节点的注意，我们可以手动指定大小列表。 这些需要与存储节点的顺序相同，因此调用 G.nodes() 以生成要遵循的列表。 下面标记了一些具有代表性的尺寸，以便您了解它们的相对尺寸。
fig, ax = plt.subplots(figsize=(15, 8))
relationships = pd.DataFrame({'from': ['10', '10', '10', '5000', '10000'],
'to': ['100', '500', '1000', '500', '500']})
# Create graph object
G = nx.from_pandas_edgelist(relationships, 'from', 'to', create_using=nx.Graph())
# Manually set each nodes size
node_sizes = [10, 100, 500, 1000, 5000, 10000]
# Draw graph
nx.draw(G, with_labels=True, node_size=node_sizes)
7. 边宽
现在我们已经介绍了节点属性，我们可以移动到边。 设置全局边大小或颜色与节点一样简单，只需在 .draw() 方法中指定宽度关键字。
fig, ax = plt.subplots(figsize=(15, 8))
relationships = pd.DataFrame({'from': ['A', 'A', 'A', '1', '2'],
'to': ['B', 'C', 'D', 'C', 'C']})
G = nx.from_pandas_edgelist(relationships, 'from', 'to', create_using=nx.Graph())
# Set edge width
nx.draw(G, with_labels=True, width=3)
8. 边颜色
通过传入属性列表而不是单个值，可以单独而不是全局地对边缘进行着色或调整大小。 所以下面我们有 edge_colors 和 edge_widths 被循环使用。
fig, ax = plt.subplots(figsize=(15, 8))
relationships = pd.DataFrame({'from': ['A', 'A', 'A', '1', '2'],
'to': ['B', 'C', 'D', 'C', 'C']})
G = nx.from_pandas_edgelist(relationships, 'from', 'to', create_using=nx.Graph())
# Set edge colors
edge_colors = ['blue', 'red', 'green', 'orange', 'blue']
# Set edge widths
edge_widths = [0.1, 1, 2, 3, 5]
# Set width and edge_color
nx.draw(G, with_labels=True, width=edge_widths, edge_color=edge_colors)
9. 节点边框颜色
最后，我们还可以使用一个容易混淆的关键字“edgecolors”为节点添加彩色边框，这与“edge_color”不同。 这可用于帮助澄清和分离节点，您可以在下面的示例图中看到。
fig, ax = plt.subplots(figsize=(15, 8))
relationships = pd.DataFrame({'from': ['A', 'A', 'A', '1', '2'],
'to': ['B', 'C', 'D', 'C', 'C']})
G = nx.from_pandas_edgelist(relationships, 'from', 'to', create_using=nx.Graph())
# Set edgecolors and node_color and node_size for better visibility
nx.draw(G, with_labels=True, edgecolors='red', node_color='lightgray', node_size=1000)
10. 图布局
图表最重要的方面之一是它的布局！ 这将最终决定图表的可读性和有用性。 NetworkX 有许多用于确定布局的选项，其中我介绍了下面最流行的 4 个。 默认值是在上述所有情况下使用的 spring_layout，但根据您的用例，其他情况下也有优点。 我建议尝试几个，看看什么效果最好。
您可以在此处查看布局文档: Drawing。
# Set overall figure size
f = plt.figure(figsize=(20,20))
f.tight_layout()
# Specify data and attributes
relationships = pd.DataFrame({'from': ['A', 'A', 'A', '1', '2', '3', '1', 'Center', 'Center',
'Center', 'Center', 'Center', 'Center', 'Center'],
'to': ['B', 'C', 'D', 'C', 'C', 'A', '3', '1', '3', '2', 'A', 'B',
'C', 'D']})
# Create DF for node characteristics
carac = pd.DataFrame({'ID':['A', 'B', 'C', 'D', '1', '2', '3', 'Center'],
'type':['Letter','Letter', 'Letter', 'Letter', 'Number', 'Number',
'Number', 'Center']})
# Create graph object
G = nx.from_pandas_edgelist(relationships, 'from', 'to', create_using=nx.Graph())
# Make types into categories
carac= carac.set_index('ID')
carac=carac.reindex(G.nodes())
carac['type']=pd.Categorical(carac['type'])
carac['type'].cat.codes
# Set node colors
cmap = matplotlib.colors.ListedColormap(['dodgerblue', 'lightgray', 'darkorange'])
# Set node sizes
node_sizes = [4000 if entry != 'Letter' else 1000 for entry in carac.type]
# Create Layouts
# Subplot 1
plt.subplot(2, 2, 1)
nx.draw(G, with_labels=True, node_color=carac['type'].cat.codes, cmap=cmap,
node_size = node_sizes, edgecolors='gray')
plt.title('Spring Layout (Default)', fontsize=18)
# Subplot 2
plt.subplot(2, 2, 2)
nx.draw_random(G, with_labels=True, node_color=carac['type'].cat.codes, cmap=cmap,
node_size = node_sizes, edgecolors='gray')
plt.title('Random Layout', fontsize=18)
# Subplot 3
plt.subplot(2, 2, 3)
nx.draw_shell(G, with_labels=True, node_color=carac['type'].cat.codes, cmap=cmap,
node_size = node_sizes, edgecolors='gray')
plt.title('Shell Layout', fontsize=18)
# Subplot 4
plt.subplot(2, 2, 4)
nx.draw_spectral(G, with_labels=True, node_color=carac['type'].cat.codes, cmap=cmap,
node_size = node_sizes, edgecolors='gray')
plt.title('Spectral Layout', fontsize=18)
我希望本指南为您提供有关如何自定义 NetworkX 图的大多数方面以提高可读性的工作示例。 NetworkX 是一个非常强大的软件包，虽然它的默认设置非常好，但随着项目规模的扩大，您需要注意不同的信息。 这可以通过多种方式完成，但更改节点大小和颜色、边宽度和图形布局是一个很好的起点。
参考资源
[1] Graph generators
[2] Customizing NetworkX Graphs