)
NetworkX 库介绍与使用指南
NetworkX 是 Python 中用于创建、操作和分析复杂网络（图结构）的核心库，支持无向图、有向图、加权图、多重图等多种图类型，内置丰富的图算法（路径分析、连通性、中心性、社区检测等），广泛应用于社交网络分析、网络拓扑研究、路径规划等场景。
一、安装
使用pip安装最新版本：
pipinstallnetworkx# 基础安装pipinstallnetworkx[all]# 包含所有依赖（如可视化、算法扩展）验证安装：我使用的版本是 3.6.1
importnetworkxasnxprint(nx.__version__)# 输出版本号，如 3.2.1二、核心概念
| 概念 | 说明 |
|---|---|
| 节点（Node） | 图的基本单元，可绑定任意可哈希对象（整数、字符串、元组、自定义对象等） |
| 边（Edge） | 连接节点的关系，可绑定属性（如权重、标签、时间戳） |
| 图类型 | -Graph：无向图（默认），无自环/多重边- DiGraph：有向图- MultiGraph：无向多重图（允许多条边连同一对节点）- MultiDiGraph：有向多重图 |
三、基础操作：创建与编辑图
1. 创建图
初始化不同类型的图：
# 1. 无向图（默认）G=nx.Graph()# 2. 有向图DG=nx.DiGraph()# 3. 无向多重图（允许多条边连接同一节点对）MG=nx.MultiGraph()# 4. 有向多重图MDG=nx.MultiDiGraph()2. 添加节点
- 单个节点：
add_node() - 多个节点：
add_nodes_from() - 带属性的节点（如节点名称、权重）：
# 添加单个节点G.add_node(1)# 节点为整数G.add_node("A",weight=0.8,label="核心节点")# 节点为字符串，带属性# 添加多个节点（可迭代对象）G.add_nodes_from([2,3,4])# 批量添加带属性的节点G.add_nodes_from([(5,{"weight":0.5,"label":"普通节点"}),(6,{"weight":0.3})])# 从另一个图导入节点G2=nx.Graph()G2.add_nodes_from(G.nodes)# 复制G的所有节点3. 添加边
- 单个边：
add_edge() - 多个边：
add_edges_from() - 带权重/属性的边：
# 添加单个边（连接节点1和2）G.add_edge(1,2)# 带权重的边G.add_edge(2,3,weight=5.0,label="强连接")# 添加多个边（列表形式，每个元素为(节点u, 节点v)或(节点u, 节点v, 属性字典)）G.add_edges_from([(3,4),(4,5,{"weight":2.0}),(5,6,{"weight":1.0,"label":"弱连接"})])# 多重图添加多条边（同一节点对）MG.add_edge(1,2,key=0,weight=1.0)# key区分同节点对的不同边MG.add_edge(1,2,key=1,weight=2.0)4. 删除节点/边
# 删除单个节点G.remove_node(6)# 删除多个节点G.remove_nodes_from([4,5])# 删除单个边G.remove_edge(1,2)# 删除多个边G.remove_edges_from([(2,3),(3,4)])# 清空所有节点/边G.clear()5. 查询图信息
# 1. 节点相关print("所有节点：",list(G.nodes))# 输出节点列表print("节点数量：",G.number_of_nodes())# 输出节点数print("节点1的属性：",G.nodes[1])# 获取节点1的属性（需先添加属性）# 2. 边相关print("所有边：",list(G.edges))# 输出边列表print("边数量：",G.number_of_edges())# 输出边数print("边(2,3)的属性：",G.edges[2,3])# 获取边(2,3)的属性# 3. 邻接节点（与指定节点相连的节点）print("节点2的邻接节点：",list(G.neighbors(2)))# 4. 图的基本信息n_nodes=G.number_of_nodes()n_edges=G.number_of_edges()avg_degree=2*n_edges/n_nodes# 无向图平均度计算方式print(f"图的摘要：节点数={n_nodes}, 边数={n_edges}, 平均度={avg_degree:.2f}")四、图分析：常用算法与指标
NetworkX 内置大量图分析算法，以下是高频使用场景：
1. 度（Degree）分析
度表示节点的边数，有向图区分入度（in_degree）和出度（out_degree）：
# 无向图：节点的度print("节点2的度：",G.degree[2])# 带权重的度（求和所有边的权重）print("节点2的加权度：",G.degree(2,weight="weight"))# 有向图：入度/出度DG.add_edges_from([(1,2),(2,3),(3,2)])print("节点2的入度：",DG.in_degree[2])# 2（1→2、3→2）print("节点2的出度：",DG.out_degree[2])# 1（2→3）2. 路径分析
- 最短路径（无权重/加权）：
# 重置图（确保可运行）G=nx.Graph()G.add_edges_from([(1,2,{"weight":1}),(2,3,{"weight":5}),(1,3,{"weight":10}),(3,4,{"weight":2})])# 1. 无权重最短路径（节点数最少）shortest_path=nx.shortest_path(G,source=1,target=4)print("无权重最短路径：",shortest_path)# [1,2,3,4]# 2. 加权最短路径（Dijkstra算法）weighted_shortest_path=nx.shortest_path(G,source=1,target=4,weight="weight")print("加权最短路径：",weighted_shortest_path)# [1,2,3,4]# 加权最短路径长度path_length=nx.shortest_path_length(G,source=1,target=4,weight="weight")print("加权路径长度：",path_length)# 1+5+2=83. 连通性分析
- 无向图：连通分量（子图内任意节点可达）
- 有向图：强连通分量（双向可达）/弱连通分量（忽略方向后可达）
# 无向图连通分量G3=nx.Graph()G3.add_edges_from([(1,2),(3,4),(4,5)])components=list(nx.connected_components(G3))print("连通分量：",components)# [{1,2}, {3,4,5}]# 有向图强连通分量DG3=nx.DiGraph()DG3.add_edges_from([(1,2),(2,1),(2,3),(3,4)])strong_components=list(nx.strongly_connected_components(DG3))print("强连通分量：",strong_components)# [{1,2}, {3}, {4}]4. 节点中心性（衡量节点重要性）
| 中心性类型 | 说明 | 函数 |
|---|---|---|
| 度中心性 | 节点度占总节点数的比例 | nx.degree_centrality() |
| 介数中心性 | 节点出现在最短路径的比例 | nx.betweenness_centrality() |
| 接近中心性 | 节点到其他节点的平均距离 | nx.closeness_centrality() |
示例：
# 计算度中心性degree_centrality=nx.degree_centrality(G)print("度中心性：",degree_centrality)# {1:0.333, 2:0.666, 3:0.666, 4:0.333}# 计算介数中心性（加权）betweenness=nx.betweenness_centrality(G,weight="weight")print("介数中心性：",betweenness)五、图的可视化
NetworkX 结合 Matplotlib 实现可视化，支持自定义节点/边样式：
基础可视化
importmatplotlib.pyplotasplt# 重置示例图G=nx.Graph()G.add_edges_from([(1,2,{"weight":1}),(2,3,{"weight":5}),(1,3,{"weight":10}),(3,4,{"weight":2})])# 1. 基础布局（spring_layout：力导向布局，模拟物理引力）pos=nx.spring_layout(G)# 计算节点位置# 2. 绘制节点（自定义大小、颜色）nx.draw_networkx_nodes(G,pos,node_size=800,node_color="lightblue")# 3. 绘制边（自定义宽度：根据权重缩放）edge_weights=[G[u][v]["weight"]foru,vinG.edges]nx.draw_networkx_edges(G,pos,width=[w*0.5forwinedge_weights],edge_color="gray")# 4. 绘制节点标签、边权重nx.draw_networkx_labels(G,pos,font_size=12)nx.draw_networkx_edge_labels(G,pos,edge_labels={(u,v):G[u][v]["weight"]foru,vinG.edges})# 5. 隐藏坐标轴plt.axis("off")plt.title("加权无向图可视化")plt.show()常用布局
| 布局函数 | 适用场景 |
|---|---|
spring_layout() | 通用力导向布局（最常用） |
circular_layout() | 节点环形排列 |
random_layout() | 节点随机排列 |
kamada_kawai_layout() | 优化节点间距离，更美观 |
shell_layout() | 节点分层排列（如社交网络层级） |
六、综合示例：社交网络分析
# 1. 创建社交网络（无向图）social_graph=nx.Graph()# 2. 添加节点（用户），带属性（年龄、性别）social_graph.add_nodes_from([("Alice",{"age":25,"gender":"F"}),("Bob",{"age":30,"gender":"M"}),("Charlie",{"age":28,"gender":"M"}),("Diana",{"age":26,"gender":"F"}),("Eve",{"age":27,"gender":"F"})])# 3. 添加边（好友关系），带权重（亲密度1-10）social_graph.add_edges_from([("Alice","Bob",{"intimacy":9}),("Alice","Charlie",{"intimacy":6}),("Bob","Diana",{"intimacy":8}),("Charlie","Diana",{"intimacy":5}),("Diana","Eve",{"intimacy":7}),("Alice","Eve",{"intimacy":4})])# 4. 分析：# (1) 每个用户的好友数（度）print("=== 好友数 ===")foruserinsocial_graph.nodes:print(f"{user}:{social_graph.degree[user]}个好友")# (2) 亲密度加权的度中心性print("\n=== 亲密度中心性 ===")intimacy_centrality=nx.degree_centrality(social_graph,weight="intimacy")foruser,scoreinintimacy_centrality.items():print(f"{user}:{score:.2f}")# (3) Alice到Eve的最短路径（按亲密度加权）print("\n=== Alice到Eve的最短路径 ===")path=nx.shortest_path(social_graph,source="Alice",target="Eve",weight="intimacy")path_length=nx.shortest_path_length(social_graph,source="Alice",target="Eve",weight="intimacy")print(f"路径：{' → '.join(path)}，总亲密度：{path_length}")# (4) 可视化pos=nx.kamada_kawai_layout(social_graph)nx.draw_networkx_nodes(social_graph,pos,node_size=1000,node_color=["pink"ifsocial_graph.nodes[n]["gender"]=="F"else"lightblue"forninsocial_graph.nodes])nx.draw_networkx_edges(social_graph,pos,width=[e["intimacy"]*0.3foru,v,einsocial_graph.edges(data=True)])nx.draw_networkx_labels(social_graph,pos,font_size=12)nx.draw_networkx_edge_labels(social_graph,pos,edge_labels={(u,v):e["intimacy"]foru,v,einsocial_graph.edges(data=True)})plt.axis("off")plt.title("社交网络亲密度分析")plt.show()七、进阶扩展
- 读取/保存图：支持 GraphML、GEXF、Pajek 等格式：
# 保存为GraphMLnx.write_graphml(G,"my_graph.graphml")# 读取GraphMLG_loaded=nx.read_graphml("my_graph.graphml") - 社区检测：使用
nx.community模块（如 Louvain 算法）：fromnetworkx.algorithmsimportcommunity communities=community.louvain_communities(G,weight="weight") - 与其他库结合：
- 高性能计算：结合
igraph/graph-tool（处理大规模图）； - 可视化增强：结合
Pyvis（交互式可视化）、Plotly（动态图）。
- 高性能计算：结合
总结
NetworkX 是 Python 图分析的入门与核心工具，优势在于易用性强、API 直观、内置算法丰富，适合中小规模图（百万节点以内）的分析；若需处理超大规模图，可结合Dask分布式计算或专用图数据库（如 Neo4j）。
