python图形化建模_Python之网络模型与图形绘制工具networkx

笔记

# https://www.jianshu.com/p/e543dc63454f

import networkx as nx

import matplotlib.pyplot as plt

############################################################################# (创建)初始化图模型

"""

nx.Graph() 简单无向图

g = nx.DiGraph() 简单有向图

g = nx.Grap(),DiGraph() 有自环

nx.MultiGraph(), nx.MultiDiGraph() 有重边

"""

g = nx.Graph()

g.clear() # 将图上元素清空

############################################################################## 添加节点

"""

+ 节点可以是任意数据类型

+ 添加一个节点 g.add_node(ele)

g.add_node(1)

g.add_node("a")

g.add_node("spam")

+ 添加一组节点：提前构建好了一个节点列表，将其一次性加进来，这跟后边加边的操作是具有一致性的 g.add_nodes_from(eles)

g.add_nodes_from([2,3])

g.add_nodes_from(a) # 其中,a = [2,3]

+ 区别：

g.add_node("spam") # 添加了一个名为spam的节点

g.add_nodes_from("spam") # 添加了4个节点，名为s,p,a,m

g.nodes() # 可将以上5个节点打印出来看看

+ 其它： 加一组从0开始的连续数字的节点

H = nx.path_graph(10)

g.add_nodes_from(H) # 将0~9加入了节点 # #但请勿使用g.add_node(H)

"""

# g.add_node("spam") # 添加了一个名为spam的节点

# g.add_nodes_from(["a","b","c","d","e","f"]) # 添加了4个节点，名为s,p,a,m

H = nx.path_graph(4)

g.add_nodes_from(H) # 将0~9加入了节点 # #但请勿使用g.add_node(H)

############################################################################## 移除节点

"""

+ 与添加节点同理

"""

# g.remove_node(node_name)

# g.remove_nodes_from(nodes_list)

############################################################################## 添加边

"""

+ 边是由对应节点的名字的元组组成，加一条边

+ 加入一条边 g.add_edge(eleA,eleB)

g.add_edge(1,2);

e = (2,3);

g.add_edge(*e) #直接g.add_edge(e)数据类型不对，*是将元组中的元素取出

+ 加入一组边 g.add_edges_from([(eleA,eleB),...,(eleC,eleD)])

g.add_edges_from([(1,2),(1,3)])

g.add_edges_from([("a","spam") , ("a",2)])

+ 加入一组系列连续的边 nx.path_graph(n)

n = 10

H = nx.path_graph(n)

g.add_edges_from(H.edges()) #添加了0~1,1~2 ... n-2~n-1这样的n-1条连续的边

+ 补充

G.add_weight_edges_from(list)

G.add_weight_edge(1,2,3.0) # 第三个是权值

G.add_edges_from(list) # 添加列表中的边

"""

# g.add_edge(1,2);

# e = (2,3);

# g.add_edge(*e) #直接g.add_edge(e)数据类型不对，*是将元组中的元素取出

############################################################################## 删除边

"""

g.remove_edge(edge)

g.remove_edges_from(edges_list)

"""

############################################################################## 查看图上节点和边的信息

""" g = nx.Graph(day="Monday")

g.graph # {'day': 'Monday'} # 查看图模型

g.graph['day'] = 'Tuesday' # g.graph # {'day': 'Tuesday'} # 修改图模型

g.number_of_nodes() # 查看点的数量

g.number_of_edges() # 查看边的数量

g.nodes() # 返回所有点的信息(list)

g.edges() # 返回所有边的信息(list中每个元素是一个tuple)

g.neighbors(1) # 所有与1这个点相连的点的信息以列表的形式返回

+ 节点属性设置

g.add_node('benz', money=10000, fuel="1.5L")

print g.node['benz'] # {'fuel': '1.5L', 'money': 10000}

print g.node['benz']['money'] # 10000

print g.nodes(data=True) # data默认false就是不输出属性信息，修改为true，会将节点名字和属性信息一起输出

g[1] #查看所有与1相连的边的属性，格式输出：{0: {}, 2: {}} 表示1和0相连的边没有设置任何属性(也就是{}没有信息)，同理1和2相连的边也没有任何属性

+ Directed graphs

+ DG = nx.DiGraph()

+ DG.add_weighted_edges_from([(1,2,0.5), (3,1,0.75), (1,4,0.3)]) # 添加带权值的边

+ DG.out_degree(1) # 打印结果：2 表示：找到1的出度

+ DG.out_degree(1, weight='weight') # 打印结果：0.8 表示：从1出去的边的权值和，这里权值是以weight属性值作为标准，如果你有一个money属性，那么也可以修改为weight='money'，那么结果就是对money求和了

+ DG.successors(1) # [2,4] 表示1的后继节点有2和4

+ DG.predecessors(1) # [3] 表示只有一个节点3有指向1的连边

+ MG=nx.MultiGraph()

MG.add_weighted_edges_from([(1,2,.5), (1,2,.75), (2,3,.5)])

print MG.degree(weight='weight') # {1: 1.25, 2: 1.75, 3: 0.5}

GG=nx.Graph()

for n,nbrs in MG.adjacency_iter():

for nbr,edict in nbrs.items():

minvalue=min([d['weight'] for d in edict.values()])

GG.add_edge(n,nbr, weight = minvalue)

print nx.shortest_path(GG,1,3) # [1, 2, 3]

"""

print(g.nodes(data=True))

############################################################################## 绘制图像 (画布)

nx.draw(g,with_labels=True)

# nx.draw(g) # 绘制

# nx.draw(g, pos=nx.spectral_layout(g), nodecolor='y', edge_color='b');

# nx.draw_networkx(BG, pos, edges=edges, labels=labels) # BG = nx.Graph() ； edges = BG.edges()；pos = dict() ; labels = dict((n, "(" + n + "," + d['_type'] + ")") for n,d in BG.nodes(data=True))

############################################################################## 显示图像

"""

plt.show() # 控制台显示图像

plt.savefig("C:/Users/千千寰宇/Desktop/path.png") # 存储图像 (存储/显示)二选一

"""

plt.show()

# plt.savefig("C:/Users/千千寰宇/Desktop/path.png") # 存储图像 (存储/显示)二选一

Demo

# coding = utf-8

import networkx as nx

import matplotlib.pyplot as plt

# 解决图像中的中文乱码问题

plt.rcParams['font.sans-serif'] = ['SimHei']

plt.rcParams['font.family']='sans-serif'

g = nx.DiGraph();

g.clear();

g.add_edge("可爱","菇凉",label="test",weight=4.7);

g.add_edge("漂亮","菇凉",weight=0.98);

g.add_edge("悲伤","菇凉");

g.edges["悲伤", "菇凉"]['color'] = "blue"

g["可爱"]["菇凉"]['color'] = "yellow"

print(g);

# g.add_node("可爱")

# g.add_node("漂亮");

# g.add_node("悲伤");

# g.add_node("菇凉");

print(g.nodes())

print(g.nodes().data()) # 显示边的数据

print(g.edges().data())

# nx.draw(g,with_labels=True) # 显示节点的名称

# 显示边的标签信息

pos=nx.spring_layout(g);

nx.draw_spring(g,with_labels=True); # 显示节点的名称

nx.draw_networkx_edge_labels(g,pos,font_size=14,alpha=0.5,rotate=True);

plt.axis('off')

plt.show()

# output

['可爱', '菇凉', '漂亮', '悲伤']

[('可爱', {}), ('菇凉', {}), ('漂亮', {}), ('悲伤', {})]

[('可爱', '菇凉', {'label': 'test', 'weight': 4.7, 'color': 'yellow'}), ('漂亮', '菇凉', {'weight': 0.98}), ('悲伤', '菇凉', {'color': 'blue'})]