igraph 上手教程——使用 Python 开展社会网络分析和可视化

原文地址: https://blog.mariozzj.cn/posts/52d95125/

国内镜像: https://cnblog.mariozzj.cn/posts/52d95125/

原官方教程(英文):https://igraph.org/python/tutorial/0.9.7/tutorial.html


igraph

igraph 是一个开源免费网络分析工具集合,在效率和便捷性上表现较好。之前所学和网络上的教程大多基于 R 语言,而实际上 igraph 为 R、Python、Mathematica 和 C/C++ 均有支持,可以前往 [igraph 官网](igraph – Network analysis software) 了解。

之前使用过 R 包的 igraph,但是我的 R 语言实在学艺不精,之后也没怎么用到过。在我的数据分析场景下,Python 可能相对于熟悉一些,且可以联动实现数据处理和分析,感觉非常方便。

igraph 的 Python 包的使用文档正在完善中,网络上几经查找并没有完全完整的中文版本手册,所以我本着学习这个程序包的目的顺便将其最新(0.9.7)的英文版本操作手册的概览教程翻译下来,主要来源于 Tutorial (igraph.org) ,如有翻译不地道的地方也请各位指正!整体阅读下来感觉手册写的还是比较简明、全面的。

安装 igraph

使用 pip 安装 igraph

pip install python-igraph

可以继续安装 pycairo 用于支持网络的可视化

pip install pycairo

启动 Python 运行如下代码,检查是否安装成功:

import igraph as ig
petersen = ig.Graph.Famous("petersen")
ig.plot(petersen)
案例 - Petersen 网络图

如安装无误,展示的是著名的 Petersen 图。

igraph 使用教程

从零搭建图

引入 igraph 包后,可以自行创建一个图:

>>> g = ig.Graph()
>>> g

>>> print(g)
IGRAPH U--- 0 0 --

在这里,g 是一个 Graph 实例。打印出来的结果中的两个数字是节点数和连边数。如果我们打印上一节的 Petersen 图,会这么返回:

>>> print(petersen)
IGRAPH U--- 10 15 --
+ edges:
 0 --  1  4  5    3 --  2  4  8    6 --  1  8  9    9 --  4  6  7
 1 --  0  2  6    4 --  0  3  9    7 --  2  5  9
 2 --  1  3  7    5 --  0  7  8    8 --  3  5  6

这里还给出了具体的连边信息,Petersen 图中有 10 个节点和 15 条连边,每个节点都与三个节点相连。

我们可以调用 add_vertices(num) 方法为我们创建的图增加 num 个节点,使用 add_edges([pairs]) 方法增加连边。pairs 为两个节点编号组成的元组,可以输入一至多个,如

>>> g.add_vertices(6)
>>> g.add_edges([(0, 1), (1, 2), (2, 0), (2, 3), (3, 4), (4, 5), (5, 3)])
>>> print(g)
IGRAPH U--- 6 7 --
+ edges:
0--1 1--2 0--2 2--3 3--4 4--5 3--5

目前的这个网络中有 6 个节点和 7 条连边。在构建的网络中,节点 ID 是由 0 开始的连续整数,添加连边时的编号对就对应着这些 ID。而连边其实也是有 ID 的,也是由 0 开始的连续整数。节点和连边 ID 的连续性不会改变,所以如果我们删除节点和连边,可能会造成部分节点和连边 ID 的变化。

如果两个节点之间存在连边,我们可以使用 get_eid()方法获取他们的连边的编号:

>>> g.get_eid(2,3)
3

可以使用 delete_vertices() 方法删除图中的节点,可以使用 delete_edges() 删除图中的连边,括号内的参数为一至多个节点/连边的 ID。

>>> g.delete_edges(3)
>>> ig.summary(g)
IGRAPH U--- 6 6 --

summary() 方法可以只展示图的基本信息,相比于 print() 可以避免大图中大量连边占用输出。

生成图

igraph 包中有多种图生成器,大体上可以分为两种:确定性(Deterministic)和随机性(Stochastic)图生成器。如果调用时输入相同的参数,确定性图生成器创建出来的图是完全相同的,而随机性图生成器则会生成不同的图。

确定性图生成器包括创建树图、正则格(Regular Lattice)、环(Ring)、扩展弦环(Extended Chordal Ring)等著名图。如Graph.Tree() 方法可以创建树图:

>>> g = ig.Graph.Tree(127, 2)
>>> ig.summary(g)
IGRAPH U--- 127 126 --
>>> g2 = ig.Graph.Tree(127, 2)
>>> g2.get_edgelist() == g.get_edgelist()
True
>>> g2.get_edgelist()[0:2]
[(0, 1), (0, 2)]

创建了树图 g,共计 127 个节点,除叶子节点外每个节点都有 2 个孩子节点,所以共有 126 条连边。后面使用相同参数创建 g2,可发现 gg2 连边完全相同。这里用到的 get_edgelist() 方法会返回连边元组组成的列表。

随机性图生成器可以创建 ER 随机图(Erdős-Rényi Random Network)、Barabási-Albert 网络模型、随机几何图形(Geometric Random graphs)等。如Graph.GRG() 方法可以创建随机几何图:

>>> g = ig.Graph.GRG(100, 0.2)
>>> ig.summary(g)
IGRAPH U---- 100 516 --
+ attr: x (v), y (v)

在创建随机几何图 GRG(n,d) 的两个参数中,n 指定了节点数量,d 则为连边距离阈值,所有点在单元空间中随机分布,距离小于 d 的则建立连边,这样一种建图规则会导致即使给出相同的参数,创建出来的图也是不一样的:

>>> g2 = ig.Graph.GRG(100, 0.2)
>>> g.get_edgelist() == g2.get_edgelist()
False
>>> g.isomorphic(g2)
False

同样参数创建的 g2g 的边-节点 ID 关系不同。使用isomorphic() 方法能够判定两个图是否同构(isomorphic),很显然从结果看,这次实验中二者也不是同构的。

在 GRG 的 summary 中,我们看到了图的参数(attr)被打印出来,接下来将继续介绍。

设置与获取属性

igraph 使用 ID 区分不同的节点和连边,之前提到过这些 ID 是由 0 开始的连续的整数,当我们删除节点和连边时这种连续性不会被破坏,所以执行删除操作时可能涉及到其他节点/连边 ID 的变化。

假设我们使用 igraph 做社会网络分析,节点代表人,连边代表人之间的社会联系,一种可能的建立节点 ID 和人物名对应关系的方法是创建一个 Python 列表将 ID 和姓名对应起来,这种方式的缺陷是这个列表需要随网络的调整而同步调整,这样或许有些麻烦。

igraph 支持为节点、连边、图对象添加属性。首先,我们创建一个简单的社会网络:

>>> g = ig.Graph([(0,1), (0,2), (2,3), (3,4), (4,2), (2,5), (5,0), (6,3), (5,6)])

假设我们要为节点(人)添加姓名、年龄、性别属性,同时对于连边(社会联系)添加是否为正式联系的标注属性。对于 igraph 包中的每个 Graph 对象,可以调用其成员变量 vses ,即节点序列 VertexSeq(Vertice Sequence)和连边序列 EdgeSeq(Edge Sequence),可以将其当作 Python 中的字典(dict)对象使用:

>>> g.vs

>>> g.vs["name"] = ["Alice", "Bob", "Claire", "Dennis", "Esther", "Frank", "George"]
>>> g.vs["age"] = [25, 31, 18, 47, 22, 23, 50]
>>> g.vs["gender"] = ["f", "m", "f", "m", "f", "m", "m"]
>>> g.es["is_formal"] = [False, False, True, True, True, False, True, False, False]

当你将 vs/es 当作字典使用时,就是将属性值分配给图中的所有节点/连边。当然我们也可以将 vs/es 当作 Python 的列表(list)使用,给出索引值获取特定节点/连边,对于获取到的节点/连边,也可以(像字典一样使用)修改它的属性:

>>> g.es[0]
igraph.Edge(,0,{'is_formal': False})
>>> g.es[0].attributes()
{'is_formal': False}
>>> g.es[0]["is_formal"] = True
>>> g.es[0]
igraph.Edge(,0,{'is_formal': True})

从示例可以看出,es 对象是边序列,其中的每一个元素都是 Edge 对象,打印出来的值是该边所属的图、边 ID、和属性组成的字典。Edge 对象有一些有用的属性,如:source,展示边的源节点;target,展示边的目标节点;index,获得边 ID;tuple,获得源节点和目标节点组成的元组;以及这里用到的 attributes() ,获得有边的所有属性及值组成的字典。

Graph.es 对象一般是一个图中所有边的集合,索引值 i 一般都会返回 ID 为 i 的边,对 Graph.vs 也同理。但是需要注意,并不是所有的边序列对象都是某个图的所有边的集合,对节点序列对象也是如此,在后文会介绍特例。

之前提到过,不仅对于节点和边,图对象也可以设置参数:

>>> g["date"] = "2009-01-10"
>>> print(g["date"])
2009-01-10

最后,如果需要删除属性,可以使用 Python 关键字 del,像删除字典中键值对一样删除属性:

>>> g.vs[3]["foo"] = "bar"
>>> g.vs["foo"]
[None, None, None, 'bar', None, None, None]
>>> del g.vs["foo"]
>>> g.vs["foo"]
Traceback (most recent call last):
  File "", line 25, in 
KeyError: 'Attribute does not exist'

图的结构性指标计算

igraph 提供许多计算图的结构性指标的方法,本节仅选取部分进行介绍,将继续沿用上一节我们建立的图。

大多数人能想到的最简单的指标就是节点的度数。节点的度等于与该节点建立连边的节点数,在有向图中度还分入度(指向该节点的连边数)和出度(由该节点发出的连边数),这些指标 igraph 都可以计算,例如要计算度,可以使用 degree() 方法。

>>> g.degree()
[3, 1, 4, 3, 2, 3, 2]

如果要在有向图中计算入度和出度,只需调用时添加 mode 参数,如 g.degree(mode="in")g.degree(mode="out")。也可以添加一个或多个节点 ID,以获取特定节点的度。

>>> g.degree(6)
2
>>> g.degree([2,3,4])
[4, 3, 2]

这样一种填入一个或多个节点 ID 的方式适用于大多数 igraph 中结构性指标的计算方法。除了填入 ID,当然还可以填入 VertexSeqEdgeSeq 实例,下一篇文章会予以介绍。有一些指标相比于使用整个图,使用部分节点和连边计算的结果是没有意义的,这种情况下可能就不支持这样的输入,但是可以对结果进行索引来获取部分结果(如 Graph.evcent()

除了度数,igraph 还可以计算中心性指标,包括节点和边的中介中心性(方法:Graph.betweenness()Graph.edge_betweenness() )或者 Google 的 PageRank (Graph.pagerank())等。这里介绍边中介中心性的计算。边中介中心性是网络中所有最短路径中经过该边的路径的数目。

>>> g.edge_betweenness()
[6.0, 6.0, 4.0, 2.0, 4.0, 3.0, 4.0, 3.0. 4.0]

计算得到所有边的中介中心性,然后我们可以综合运用之前的方法,找到那些中介中心性较高的边:

>>> ebs = g.edge_betweenness()
>>> max_eb = max(ebs)
>>> [g.es[idx].tuple for idx, eb in enumerate(ebs) if eb == max_eb]
[(0, 1), (0, 2)]

大多数结构性指标计算可以就部分节点/连边得出,即可以用 VertexSeqEdgeSeqVertexEdge 对象计算:

>>> g.vs.degree()
[3, 1, 4, 3, 2, 3, 2]
>>> g.es.edge_betweenness()
[6.0, 6.0, 4.0, 2.0, 4.0, 3.0, 4.0, 3.0. 4.0]
>>> g.vs[2].degree()
4

使用参数查找特定节点和连边

选择节点和连边

假设在某个社会网络中,你需要找出具有最大点度或中介中心度的人,除了使用之前给出的方式结合一些你可能掌握的 Python 方法,igraph 提供了更简单的方式:

>>> g.vs.select(_degree=g.maxdegree())["name"]
["Alice", "Bob"]

这种表达乍一看有些奇怪,我们可以一步步拆解来理解。select()VertexSeq 的一个方法,它的唯一目标是通过节点的指标来过滤节点集合,通过添加位置参数或关键字参数可以实现。一般来说位置参数没有显式定义的名称(如_degree),在关键字参数前读取。

  • 如果首个位置参数为 None,会返回一个空序列:

    >>> seq = g.vs.select(None)
    >>> len(seq)
    0
    
  • 如果首个位置参数为可调用对象(如函数、绑定方法等),这个对象会逐一被节点序列 vs 中的节点调用。若函数返回结果为 True,当前节点会被包含在结果中,否则被排除在结果之外。

    >>> graph = Graph.Full(10)
    >>> only_odd_vertices = graph.vs.select(lambda vertex: vertex.index % 2 == 1)
    >>> len(only_odd_vertices)
    5
    
  • 如果首个位置参数是可迭代的对象(如列表、生成器等),该对象的返回值必须为整数,且这些整数会作为当前节点序列(并不一定是整个图的所有节点)的索引值使用,仅有处于这些索引值位置的节点会进入结果集。返回值中的浮点数、字符串和无效的节点 ID 值会被忽略:

    >>> seq = graph.vs.select([2, 3, 7])
    >>> len(seq)
    3
    >>> [v.index for v in seq]
    [2, 3, 7]
    >>> seq = seq.select([0, 2])         # filtering an existing vertex set
    >>> [v.index for v in seq]
    [2, 7]
    >>> seq = graph.vs.select([2, 3, 7, "foo", 3.5])
    >>> len(seq)
    3
    
  • 如果首个位置参数为整数,所有余下的位置参数都应是整数,这些参数被当作索引值使用,处于这些索引值位置的节点会进入结果集。

    >>> seq = graph.vs.select(2,3,7)
    >>> len(seq)
    3
    

除了位置参数之外,select() 方法支持一系列关键字参数(具有显式定义的参数名):

关键字参数 含义
name_eq 参数/属性必须等于给出的参数值
name_ne 参数/属性必须不等于给出的参数值
name_lt 参数/属性必须小于给出的参数值
name_le 参数/属性必须小于等于给出的参数值
name_gt 参数/属性必须大于给出的参数值
name_ge 参数/属性必须大于等于给出的参数值
name_in 参数/属性必须在给出的参数值之中,参数值须为序列
name_notin 参数/属性必须不在给出的参数值之中,参数值须为序列

例如,下面这一行代码能返回 vsage 小于 30 的记录:

>>> g.vs.select(age_lt=30)

当然,select() 也可以以简略形式调用,下面这行与上面那行等价:

>>> g.vs(age_lt=30)

不能写作 g.vs(age < 30) ,因为参数列表中只有 = 是被允许的。

有时可能会出现已定义属性与结构指标值名相同的情况,如点度(degree)和你定义的 degree 属性,为解决歧义问题,如需将结构指标名用于筛选节点,必须在指标名前加 _

>>> g.vs(_degree_gt=2)

除了度以外,还有一些特殊的结构指标名用于筛选节点:

  • 使用 _source_from 用于边筛选,筛选那些来源节点为特定节点的边,如筛选来源为 ID 为 2 的边:

    >>> g.es.select(_source=2)
    
  • 使用 _target_to 用于边筛选,筛选那些目标节点为特定节点的边,用法同上。

  • _within 参数传入 VertexSeq 或索引值序列(列表或集合),选取包含在给出的节点(索引)序列中的节点。

    >>> g.es.select(_within=[2,3,4])
    >>> g.es.select(_within=g.vs[2:5])
    
  • _between 参数传入两个由 VertexSeq 或包含索引值的列表,或 Vertex 对象组成的元组,选取那些从一组的节点发出,指向另一组的节点的边集合。

    >>> men = g.vs.select(gender="m")
    >>> women = g.vs.select(gender="f")
    >>> g.es.select(_between=(men,women))
    

使用某些属性寻找单一节点或连边

有时我们会用许多属性限定在图中寻找某一个特定的节点或连边。如果这样的条件下有多个结果返回,我们可能不关心返回哪一个结果,或者我们预先知道这样的条件下只会返回一个结果,比如我们用 name 属性查找某个姓名为指定值的节点。

VertexSeqEdgeSeq 对象提供 find() 方法供以上场景使用。与 select() 不同的是,find() 仅返回结果集的第一个结果(如果没有结果则报错)。比如:

claire = g.vs.find(name="Claire")
>>> type(claire)
igraph.Vertex
>>> claire.index
2

如果没有这样的结果则会报错:

>>> g.vs.find(name="Joe")
Traceback (most recent call last):
  File "", line 1, in 
ValueError: no such vertex

使用 name 找节点

相比于 ID,节点的名字似乎更容易被记忆。igraphname 属性做了特殊处理,将其设置为“索引”,这样用 name 也可以快速地查找到节点,而且为了让使用更简单,name 可以作为“索引”在所有 ID 可以出现的地方出现,包含列表等情况。

比如计算某一节点的度:

>>> g.degree("Dennis")
3
>>> g.vs.find("Dennis").degree()
3

igraph 在后台维持着 ID 和 name 的对应关系,当图改变时这个对应关系也会对应调整。和 ID 不同,igraph 允许重复的 name ,但是当你在使用 name 寻找某个 name 与其他节点重复的节点时,igraph 只会返回他们之中的一个,如果要寻找其他的节点可能只能用其他办法了。

图与邻接矩阵

邻接矩阵是表示图的一种方式,在邻接矩阵中,行列均为节点编号,对应的值表明节点之间是否有连边。如矩阵中的第 i 行第 j 列的值表明节点 i 和节点 j 是否有连边。要获取图的邻接矩阵,可以使用 get_adjacency() 方法。

>>> g.get_adjacency()
Matrix([[0, 1, 1, 0, 0, 1, 0], [1, 0, 0, 0, 0, 0, 0], [1, 0, 0, 1, 1, 1, 0], [0, 0, 1, 0, 1, 0, 1], [0, 0, 1, 1, 0, 0, 0], [1, 0, 1, 0, 0, 0, 1], [0, 0, 0, 1, 0, 1, 0]])
>>> print(g.get_adjacency())
[[0, 1, 1, 0, 0, 1, 0]
 [1, 0, 0, 0, 0, 0, 0]
 [1, 0, 0, 1, 1, 1, 0]
 [0, 0, 1, 0, 1, 0, 1]
 [0, 0, 1, 1, 0, 0, 0]
 [1, 0, 1, 0, 0, 0, 1]
 [0, 0, 0, 1, 0, 1, 0]]

从输出可以看出,ID 为 2 的节点( [1, 0, 0, 1, 1, 1, 0] )和 ID 为 0、3、4、5 的节点相连,而和 ID 为 1、6 的节点之间没有连边。

布局与绘图

之前的介绍中,图是一个相对抽象的数学概念,我们没有将其映射至 2D 或 3D 空间。如果我们想将图可视化,我们首先需要将节点对应到二维或三维空间内。图绘制(Graph Drawing)——图理论的一个分支,尝试运用多种图布局算法解决这个映射问题。igraph 引入了部分布局算法,并且可以结合 Cairo 包(本文开始时安装过)将其绘制为 PDF、PNG、SVG 等形式。

布局算法

布局方法是 Graph 对象的成员方法,一般都以 layout_ 起头:

方法全名 简称 算法描述
layout_circle circle , circular 将节点放在一个圆环上
layout_drl drl 常用于大图,分散递归布局
layout_fruchterman_reingold fr Fruchterman-Reingold 力导向布局
layout_fruchterman_reingold_3d fr3d , fr_3d Fruchterman-Reingold 力导向布局(3D 版)
layout_kamada_kawai kk Kamda-Kawai 力导向布局
layout_kamada_kawai_3d kk3d , kk_3d Kamda-Kawai 力导向布局(3D 版)
layout_lgl large , lgl , large_graph 常用于大图,大图布局
layout_random random 将节点完全随机放置
layout_random_3d random_3d 将节点完全随机放置在三维空间
layout_reingold_tilford rt , tree Reingold-Tilford 树状布局,对类树状图有用
layout_reingold_tilford_circular rt_citcular , tree 极坐标转换后 Reingold-Tilford 树状布局,对类树状图有用
layout_sphere sphere , spherical , circular_3d 将节点放在球面

布局方法可以直接被调用,也可以使用通用的 layout() 方法:

>>> layout = g.layout_kamada_kawai()
>>> layout = g.layout("kamada_kawai")

layout() 方法的首个参数必须为布局算法的简称(如上表),余下的位置参数和关键字参数都为布局算法使用,例如下面两行等价语句:

>>> layout = g.layout_reingold_tilford(root=[2])
>>> layout = g.layout("rt", [2])

布局方法返回 Layout 对象,这个对象像一个列表组成的列表,每个列表对应着节点在 2D 或 3D 空间中的位置坐标。Layout 对象包含一些有用的方法,可以批量转换、缩放、旋转坐标。当然,其主要的作用还是将数据传递给 plot() 方法,获得 2D 图绘制。

使用布局绘图

我们可以用之前的社会网络绘图,采用 Kamada-Kawai 布局:

>>> layout = g.layout("kk")
>>> ig.plot(g, layout=layout)

这将绘制出和下图近似的网络图(实际展现出的样子会随机变化):

Kamada-Kawai 布局社会网络图

如果想使用 matplotlib 作为绘图引擎,需要使用 target 参数创建轴:

>>> import matplotlib.pyplot as plt
>>> fig, ax = plt.subplots()
>>> ig.plot(g, layout=layout, target=ax)

目前还不是很美观,我们可以将人名标注在节点附近,将节点按照性别上色。图中的节点标签默认来源于 label 参数,节点的颜色由 color 标签决定,所以可以调整后重新绘制:

>>> g.vs["label"] = g.vs["name"]
>>> color_dict = {"m": "blue", "f": "pink"}
>>> g.vs["color"] = [color_dict[gender] for gender in g.vs["gender"]]
>>> ig.plot(g, layout=layout, bbox=(300, 300), margin=20)
>>> # ig.plot(g, layout=layout, bbox=(300, 300), margin=20, target=ax) # matplotlib 版本
美化 - Kamada-Kawai 布局社会网络图

我们重用了之前的布局对象,但是我们也注明了我们需要一个较小的画布(300 × 300 像素)和 20 像素的边距使得标签能够完全展示。

除了在节点和连边的属性中设置,你当然也可以在 plot() 时传入参数达到相同效果:

color_dict = {"m": "blue", "f": "pink"}
>>> plot(g, layout=layout, vertex_color=[color_dict[gender] for gender in g.vs["gender"]])

如果我们想将节点属性数据和绘图完全分离开来,这是一种推荐的方式。当然,我们也可以完全用一个字典来存储上述布局参数,最后使用 ** 操作符将样式参数一并传入:

>>> visual_style = {}
>>> visual_style["vertex_size"] = 20
>>> visual_style["vertex_color"] = [color_dict[gender] for gender in g.vs["gender"]]
>>> visual_style["vertex_label"] = g.vs["name"]
>>> visual_style["edge_width"] = [1 + 2 * int(is_formal) for is_formal in g.es["is_formal"]]
>>> visual_style["layout"] = layout
>>> visual_style["bbox"] = (300, 300)
>>> visual_style["margin"] = 20
>>> plot(g, **visual_style)
美化2 - Kamada-Kawai 布局社会网络图

节点和边的绘图布局参数

上一节看到了很多节点和边的布局参数,传入这些参数能够覆盖 igraph 绘图的默认设置参数。实际上,有大量的参数可以用于调整布局:

节点绘图布局参数

参数名 关键参数 用处
color vertex_color 节点的颜色
font vertex_font 节点字体
label vertex_label 节点标签
label_angel vertex_label_angle 节点标签摆放在节点的相对方向角度,例如 0 度时是正右方
label_color vertex_label_color 节点标签的颜色
label_dist vertex_label_dist 节点标签距离节点的距离,与节点大小相关
label_size vertex_label_size 节点标签的字体大小
order vertex_order 绘制节点的顺序;序号较小的节点会被优先绘制
shape vertex_shape 节点的形状;可用形状有:rectangle(正方形)、circle(圆形)、hidden(隐藏)、triangle-up(三角形)、triangle-down(倒三角),可以查看 drawing_shapes 获取更多形状
size vertex_size 节点的大小(单位:像素)

连边绘图布局参数

参数名 关键参数 用处
color edge_color 边的颜色
curved edge_curved 边的曲率;0 代表直边,负数时边向顺时针方向弯曲,正数时边向逆时针方向弯曲,True 视为 0.5,False 视为 0;使用该参数可以让多条边不互相遮挡,可以查看 plot()autocurve 参数
font edge_font 边的字体
arrow_size edge_arrow_size 有向图中,边的箭头的大小(相对于 15 像素)
arrow_width edge_arrow_width 有向图中,边的箭头的宽度(相对于 10 像素)
width edge_width 边的宽度(单位:像素)

plot() 的通用关键字参数

用于 plot() 的关键字参数如下:

关键字参数 用处
autocurve 决定绘图时多边是否自动弯曲;10 000 条以下边的情况默认为 True,其余为 False
bbox 画布的边界框(Bounding BOX)大小,须为指定宽度和高度的元组;默认为 (600,600)
layout 采用的布局。可以是 Layout 实例,包含坐标元组的列表,或者是布局算法的名称;默认为 auto,根据图的大小和连接程度自动决定布局
margin 画布的 上/右/下/左 边距,须为数组或列表;如果填写的元素少于 4 个,其中的元素会被重复使用

绘图时指定颜色

igraph 可以用以下方式指定颜色(用于边、节点、标签参数)

X11 颜色名

可以查看维基百科中的 X11 颜色名 获得完整列表,或者查看 igraph.drawing.colors.knows_colors 字典的键,在这里不是大小写敏感,所以填入 DarkBluedarkblue 效果相同。

CSS 样式颜色字符串

可按以下样式形成字符串填入(RGB 分别代表红、绿、蓝)

  • #RRGGBB,六位十六进制,每种颜色从 0 至 255(16 × 16)。如 #0088ff
  • #RGB ,三位十六进制,每种颜色从 0 至 15,如 #08f
  • rgb(R, G, B),可填入 0 至 255 的十进制整数或百分比。如 rgb(0, 127, 255)rgb(0%, 50%, 100%)

RGB 列表

样例:[255, 128, 0](255, 128, 0)"255, 128, 0"

保存绘图

igraph 可以将绘图保存为文件,这样可以用于诸如出版等场景。方法也很简单,只需要将目标文件名作为附加参数附在图对象后面即可。支持的格式由扩展引擎决定,igraph 可以保存 Cairo 支持的所有格式,如 SVG,PDF 和 PNG 等。SVG 和 PDF 文件可以被转换为 .ps.eps 格式,PNG 可以被转换为 .tif

>>> ig.plot(g, "social_network.pdf", **visual_style)

igraph 与外部包联动

igraph 提供许多方法从外部读取图和保存图:

格式 简称 读取方法 写入方法
邻接列表/LGL lgl Graph.Read_Lgl() Graph.write_lgl()
邻接矩阵 adajacency Graph.Read_Adjacency() Graph.write_adjacency()
DL dl Graph.Read_DL() 暂无
边列表 edgelistedgesedge Graph.Read_Edgelist() Graph.write_edgelist()
GraphViz graphvizdot 暂无 Graph.write_dot()
GML gml Graph.Read_GML() Graph.write_gml
GraphML graphml Graph.Read_GraphML() Graph.write_graphml()
Gzipped GraphML graphmlz Graph.Read_GraphMLz() Graph.write_graphmlz()
LEDA leda 暂无 Graph.write_leda()
标记边列表/NCOL ncol Graph.Read_Ncol() Graph.write_ncol()
Pajek 格式 pajeknet Graph.Read_Pajek() Graph.write_pajek()
压制图 pickle Graph.Read_Pickle() Graph.write_pickle()

例如,可以下载著名的 扎卡里空手道俱乐部问题 的 案例图文件,解压后将其加载至 igraph。因为它是 GraphML 文件,需要使用对应的方法:

>>> karate = ig.Graph.Read_GraphML("zachary.graphml")
>>> ig.summary(karate)
IGRAPH UNW- 34 78 -- Zachary's karate club network

如果想要将其转换为其他格式,比如 Pajek 支持的格式,可以继续转化保存:

>>> karate.write_pajek("zachary.net")

需要注意,不同的格式均有其限制,比如有的格式不支持存储参数。最佳的存储 igraph 图的格式可能是 GraphML、GML,或者如果你没有参数,NCOL 和边列表也可以(NCOL 支持节点名和边权重)。如果你只是想暂时保存图,之后还要在 igraph 中使用,可以使用 pickle 格式保证获得相同的图表。

还有两个帮助方法:load() 是一个通用的读取方法,能够尝试从文件类型扩展中自动识别对应类型并读取;Graph.save() 能以文件类型扩展中默认指定格式保存图片,当然也可以用 format 参数填入简称覆盖默认保存类型。

>>> karate = load("zachary.graphml")
>>> karate.save("zachary.net")
>>> karate.save("zachary.my_extension", format="gml")

结语

本篇仅仅从表面介绍了 igraph 包的一些功能,作者将继续完善完整的操作手册。可以查看 API 手册 以获取完整的 igraph 类、函数、方法使用信息。 Graph 类是一个好的开始,如果遇到难懂的部分,可以在 讨论组 中寻求帮助。

你可能感兴趣的:(igraph 上手教程——使用 Python 开展社会网络分析和可视化)