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 g 和 g2 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 g2 与 g 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 vs 和 es ，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 VertexSeq 和 EdgeSeq 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 VertexSeq，EdgeSeq，Vertex，Edge 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() 是 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 vs 中 age 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 或 _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 或 _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。

VertexSeq 和 EdgeSeq 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。igraph 对 name 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()` 的 `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 DarkBlue 与 darkblue 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) 或 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 和 .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	`edgelist`，`edges`，`edge`	`Graph.Read_Edgelist()`	`Graph.write_edgelist()`
GraphViz	`graphviz`，`dot`	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	`pajek`，`net`	`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。

igraph 上手教程——使用 Python 开展社会网络分析和可视化

igraph

安装 igraph

igraph 使用教程

从零搭建图

生成图

设置与获取属性

图的结构性指标计算

使用参数查找特定节点和连边

选择节点和连边

使用某些属性寻找单一节点或连边

使用 `name` 找节点

图与邻接矩阵

布局与绘图

布局算法

使用布局绘图

节点和边的绘图布局参数

节点绘图布局参数

连边绘图布局参数

`plot()` 的通用关键字参数

绘图时指定颜色

X11 颜色名

CSS 样式颜色字符串

RGB 列表

保存绘图

`igraph` 与外部包联动

结语

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)

igraph 上手教程——使用 Python 开展社会网络分析和可视化

igraph

安装 igraph

igraph 使用教程

从零搭建图

生成图

设置与获取属性

图的结构性指标计算

使用参数查找特定节点和连边

选择节点和连边

使用某些属性寻找单一节点或连边

使用 name 找节点

图与邻接矩阵

布局与绘图

布局算法

使用布局绘图

节点和边的绘图布局参数

节点绘图布局参数

连边绘图布局参数

plot() 的通用关键字参数

绘图时指定颜色

X11 颜色名

CSS 样式颜色字符串

RGB 列表

保存绘图

igraph 与外部包联动

结语

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)

使用 `name` 找节点

`plot()` 的通用关键字参数

`igraph` 与外部包联动