汽车音响网站建设,衡阳市城市建设投资有限公司网站,it项目外包公司,负责加强局网站建设目录一、简介与准备二、教程2.1 下载安装2.2 创建图2.2.1 常用图创建#xff08;自定义图创建#xff09;1.创建图对象2.添加图节点3.创建连接2.2.2 经典图结构1.全连接无向图2.全连接有向图3.环状图4.梯状图5.线性串珠图6.星状图7.轮辐图8.二项树2.2.3 栅格图1.二维矩形栅格…
目录一、简介与准备二、教程2.1 下载安装2.2 创建图2.2.1 常用图创建自定义图创建1.创建图对象2.添加图节点3.创建连接2.2.2 经典图结构1.全连接无向图2.全连接有向图3.环状图4.梯状图5.线性串珠图6.星状图7.轮辐图8.二项树2.2.3 栅格图1.二维矩形栅格图2.多维矩形栅格图3.二维三角形栅格图3.二维六边形栅格图4.n维超立方体图2.2.4 NetworkX内置图1.钻石图2.牛角图3.荔枝图虽然看不出跟荔枝有啥联系4.房子图5.房子x图6.风筝图2.2.5 随机图2.2.6 无标量有向图2.2.7 社交网络1.空手道俱乐部数据集2.雨果《悲惨世界》任务关系3.家庭关系图2.2.8 社群聚类图2.2.9 树结构2.3 常用信息获取2.4 图可视化2.4.1 初始化2.4.2 原生可视化2.4.3 不显示节点2.4.4 设置颜色2.4.5 无向图转有向图后显示2.4.6 通过设置每个节点的坐标来显示图2.4.7 绘制房子图例子2.4.8 可视化模板重要2.4.9 自我中心图(ego图)2.5 图相关数据分析2.5.1 计算PageRank节点重要度2.5.2 最大连通域子图2.5.3 每个节点的连接数degree2.5.4 一些可能用到的图的基础数据2.5.5 节点特征重要2.5.6 计算全图的Graphlet参考文献Datawhale开源学习社区 x 同济子豪兄 Stanford课程中文精讲系列笔记 本文同时发布在本人博客https://wumorfr.github.io/
一、简介与准备
NetworkX用于实现创建操作和研究复杂网络的结构动态功能
几个常用链接
NetworkX 主页NetworkX 文档NetworkX 文档 PDF
本文接下来使用环境包括
import networkx
import networkx as nx
import matplotlib.pyplot as plt
import matplotlib as mpl
import pandas as pd
import matplotlib.colors as mcolors# %matplotlib inline #anconda中使用时要添加# windows系统
plt.rcParams[font.sans-serif] [SimHei] # 用来正常显示中文标签
plt.rcParams[axes.unicode_minus] False # 用来正常显示正负号二、教程
2.1 下载安装
本人是使用pip安装使用了清华源
pip install networkx -i https://pypi.tuna.tsinghua.edu.cn/simple安装好后可在python环境下运行
import networkx as nxprint(nx.__version__: nx.__version__)进行校验输出结果类似如下 2.2 创建图
本列表中2.2.2至2.2.9暂时视为不常用因为本人初学使用时基本很少看到了解即可可视作资料库用的时候再查。不过2.2.7中数据集有的时候会用可以多看两眼笑
2.2.1 常用图创建自定义图创建
1.创建图对象
G nx.Graph() # 空无向图 重要
G nx.DiGraph() # 空有向图 重要
G nx.MultiGraph() # 空多重无向图
G nx.MultiDigraph() # 空多重有向图
G.clear() # 清空图2.添加图节点
此处先创建一个无节点无连接的空图G和另一个首尾相连成串的Path Graph H
G nx.Graph()
H nx.path_graph(10)G.add_node(刘备) # 添加单个节点
G.add_nodes_from([诸葛亮,曹操]) # 三、添加多个节点
G.add_nodes_from([(关羽,{武器:青龙偃月刀,武力值:90,智力值:80}),(张飞,{武器:八丈蛇矛,武力值:85,智力值:75}),(吕布,{武器:方天画戟,武力值:100,智力值:70})
]) # 添加带属性的节点G.add_nodes_from(H) # 将H的节点添加到G中
print(G.nodes,G.nodes)
print(G.len,len(G))G.add_node(H) # 将H本身作为一个节点添加进G中
print(G.nodes,G.nodes)
print(G.len,len(G))结果 注意
add_node和add_nodes_from 对于add_node加一个点来说字符串是只添加了名字为整个字符串的节点。但是对于add_nodes_from加一组点来说字符串表示了添加了每一个字符都代表的多个节点exp
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小结 节点可以为任意可哈希的对象比如字符串、图像、XML对象甚至另一个Graph、自定义的节点对象 通过这种方式可以根据自己的使用灵活的自由构建以图、文件、函数为节点等灵活的图的形式
3.创建连接
此处先创建无向空图G和有向空图H
# 创建无向空图G nx.Graph()
print(G.is_directed())
# 给整张图添加属性特征
G.graph[Name] HelloWord
print(G.graph)
# 创建有向空图
H nx.DiGraph()
print(H.is_directed())输出 G.add_node(0,feature5,label0,zihao2) # 创建单个节点此处为创建0号节点并添加特征属性
G.add_nodes_from([(1,{feature:1,label:1,zihao:3}),(2,{feature:2,label:2,zihao:4})
]) # 创建多个节点全图节点信息
print(G.number_of_nodes())
print(G.nodes)
print(G.nodes(dataTrue))# 遍历所有节点dataTrue表示输出节点特征属性信息
for node in G.nodes(dataTrue):print(node)此时点均为散点后创立连接
G.add_edge(0,1,weight0.5,like3) # 创建单个连接设置属性特征
G.add_edges_from([(1,2,{weight:0.3,like:5}),(2,0,{weight:0.1,like:8})
]) # 创建多个连接连接情况 全图连接信息
print(G.number_of_nodes())
print(G.size())
print(G.edges())
print(G.edges(dataTrue))# 遍历所有连接dataTrue表示输出连接特征属性信息
for edge in G.edges(dataTrue):print(edge)查询节点的连接数
指定节点
node_id1
print(G.degree[node_id])指定节点的所有相邻节点
for neighbor in G.neighbors(node_id):print(Node {} has neighbor {}.format(node_id,neighbor))所有节点
for node_id in G.nodes():for neighbor in G.neighbors(node_id):print(Node {} has neighbor {}.format(node_id,neighbor))2.2.2 经典图结构
1.全连接无向图
G nx.complete_graph(7)
nx.draw(G)
plt.show()
# 全图连接数
print(全图连接数:, G.size())2.全连接有向图
G nx.complete_graph(7, nx.DiGraph())
nx.draw(G)
plt.show()# 是否是有向图
print(是否是有向图:, G.is_directed())3.环状图
G nx.cycle_graph(5)
nx.draw(G)
plt.show()4.梯状图
G nx.ladder_graph(5)
nx.draw(G)
plt.show()5.线性串珠图
G nx.path_graph(15)
nx.draw(G)
plt.show()6.星状图
G nx.star_graph(7)
nx.draw(G)
plt.show()7.轮辐图
G nx.wheel_graph(8)
nx.draw(G)
plt.show()8.二项树
G nx.binomial_tree(5)
nx.draw(G)
plt.show()2.2.3 栅格图
1.二维矩形栅格图
G nx.grid_2d_graph(3, 5)
nx.draw(G)
plt.show()2.多维矩形栅格图
G nx.grid_graph(dim(2, 3, 4))
nx.draw(G)
plt.show()3.二维三角形栅格图
G nx.triangular_lattice_graph(2, 5)
nx.draw(G)
plt.show()3.二维六边形栅格图
G nx.hexagonal_lattice_graph(2, 3)
nx.draw(G)
plt.show()4.n维超立方体图
G nx.hypercube_graph(4)
nx.draw(G)
plt.show()2.2.4 NetworkX内置图
1.钻石图
G nx.diamond_graph()
nx.draw(G)
plt.show()2.牛角图
G nx.bull_graph()
nx.draw(G)
plt.show()3.荔枝图虽然看不出跟荔枝有啥联系
G nx.frucht_graph()
nx.draw(G)
plt.show()4.房子图
G nx.house_graph()
nx.draw(G)
plt.show()5.房子x图
G nx.house_x_graph()
nx.draw(G)
plt.show()6.风筝图
G nx.krackhardt_kite_graph()
nx.draw(G)
plt.show()2.2.5 随机图
G nx.erdos_renyi_graph(10, 0.5)
nx.draw(G)
plt.show()2.2.6 无标量有向图
G nx.scale_free_graph(100)
nx.draw(G)
plt.show()2.2.7 社交网络
1.空手道俱乐部数据集
G nx.karate_club_graph()
nx.draw(G, with_labelsTrue)
plt.show()
print(G.nodes[5][club])
print(G.nodes[9][club])2.雨果《悲惨世界》任务关系
G networkx.les_miserables_graph()
plt.figure(figsize(12, 10))
pos nx.spring_layout(G, seed10)
nx.draw(G, pos, with_labelsTrue)
plt.show()
plt.show()3.家庭关系图
G nx.florentine_families_graph()
nx.draw(G, with_labelsTrue)
plt.show()2.2.8 社群聚类图
G nx.caveman_graph(4, 3)
nx.draw(G, with_labelsTrue)
plt.show()2.2.9 树结构
tree nx.random_tree(n10, seed0)
print(nx.forest_str(tree, sources[0]))2.3 常用信息获取
nx.info(G) # 图信息的概览
G.number_of_nodes()
G.number_of_edges()# 获取和节点idx连接的边的attr属性之和
G.in_degree(idx, weightattr)# 如果想知道某个结点相连的某个边权之和
DG.degree(nodeIdx, weightweightName)# 获取结点或者边的属性集合返回的是元组的列表
G.nodes.data(attrName)
G.edges.data(attrName)# 获取n1 n2的边的length权重那么:
G[n1][n2][length]# 如果是有重边的图选择n1,n2第一条边的length权重则:
G[n1][n2][0][length]# 获取n1结点的所有邻居
nx.all_neighbors(G, n1)# 判断图中n1到n2是否存在路径
nx.has_path(G, n1, n2)# 根据一个结点的list获取子图
subG nx.subgraph(G, nodeList)2.4 图可视化
2.4.1 初始化
创建4*4网格图无向图
G nx.grid_2d_graph(4,4)2.4.2 原生可视化
pos nx.spring_layout(G,seed123)
nx.draw(G,pos)
plt.show()2.4.3 不显示节点
nx.draw(G,pos,node_size0,with_labelsFalse)
plt.show()2.4.4 设置颜色
print(len(G.edges()))
nx.draw(G,pos,node_color #66ccff, # 节点颜色edgecolorsred, # 节点外边缘颜色edge_colorblue, # edge的颜色# edge_cmapplt.cm.coolwarm,# 配色方案node_size800,with_labelsFalse,width3,
)
plt.show()2.4.5 无向图转有向图后显示
nx.draw(G.to_directed(), # 关键是这一句pos,node_color #66ccff, # 节点颜色edgecolorsred, # 节点外边缘颜色edge_colortab:gray, # edge的颜色# edge_cmapplt.cm.coolwarm,# 配色方案node_size800,with_labelsFalse,width3,arrowsize10,
)
plt.show()2.4.6 通过设置每个节点的坐标来显示图
# 无向图
# 初始化图
G nx.Graph()
G.add_edge(1,2)
G.add_edge(1,3)
G.add_edge(1,5)
G.add_edge(2,3)
G.add_edge(3,4)
G.add_edge(4,5)
nx.draw(G,with_labelsTrue)
plt.show()# 关键代码
# 设置每个节点可视化的坐标
pos{1:(0,0),2:(-1,0.3),3:(2,0.17),4:(4,0.255),5:(5,0.03)}# 设置其他可视化格式
options {font_size:36,node_size:3000,node_color:white,edgecolors:black,linewidths:5, # 节点线宽width: 5, # edge线宽
}nx.draw_networkx(G,pos,**options)axplt.gca()
ax.margins(0.20) # 在图的边缘留白防止节点被截断
plt.axis(off)
plt.show()# 有向图
G nx.DiGraph([(0,3),(1,3),(2,4),(3,5),(3,6),(4,6),(5,6)])
nx.draw(G,with_labelsTrue)
plt.show()# 可视化每一列包含的节点
left_nodes[0,1,2]
middle_nodes[3,4]
right_nodes[5,6]# 可视化时每个节点的坐标
pos {n:(0,i) for i ,n in enumerate(left_nodes)}
pos.update({n:(1,i0.5)for i,n in enumerate(middle_nodes)})
pos.update({n:(2,i0.5)for i,n in enumerate(right_nodes)})print(pos)nx.draw_networkx(G,pos,**options)axplt.gca()
ax.margins(0.20) # 在图的边缘留白防止节点被截断
plt.axis(off)
plt.show()2.4.7 绘制房子图例子
# 尝试绘制房子图
G nx.Graph([(0,1),(0,2),(1,3),(2,3),(2,4),(3,4)])pos {0:(0,0),1:(1,0),2:(0,1),3:(1,1),4:(0.5,2.0)}plt.figure(figsize(10,8))
nx.draw_networkx_nodes(G,pos,node_size3000,nodelist[0,1,2,3],node_color#66ccff)
nx.draw_networkx_nodes(G,pos,node_size3000,nodelist[4],node_colortab:orange)
nx.draw_networkx_edges(G,pos,alpha0.5,width6)
plt.axis(off) # 关闭坐标轴
plt.show()2.4.8 可视化模板重要
# 一、基础可视化
# 创建有向图
seed114514
Gnx.random_k_out_graph(10,3,0.5,seedseed)
posnx.spring_layout(G,seedseed)# 初步可视化
nx.draw(G,pospos,with_labelsTrue)
plt.show()# 二、高级可视化
# 节点大小
node_sizes [1210*i for i in range(len(G))]
print(node_sizes)# 节点颜色
M G.number_of_edges()
edge_colors range(2,M2)
print(edge_colors)# 节点透明度
edge_alphas [(5i)/(M4)for i in range(M)]
print(edge_alphas)# 配色方案
cmap plt.get_cmap(plasma)
# cmap plt.cm.Bluesplt.figure(figsize(10,8))# 绘制节点
nodes nx.draw_networkx_nodes(G,pos,node_sizenode_sizes,node_colorindigo)# 绘制链接edges nx.draw_networkx_edges(G,pos,node_sizenode_sizes, # 节点尺寸arrowstyle-, # 箭头样式arrowsize20, # 箭头尺寸edge_coloredge_colors, # 连接颜色edge_cmapcmap, # 连接配色方案width4 # 连接线宽
)# 设置每个连接的透明度
for i in range(M):edges[i].set_alpha(edge_alphas[i])# 调色图例
pc mpl.collections.PathCollection(edges,cmapcmap)
pc.set_array(edge_colors)
plt.colorbar(pc)axplt.gca()
ax.set_axis_off()
plt.show()2.4.9 自我中心图(ego图)
Ego graph指距离中心节点小于特定距离特定路径长度的所有结点构成的图特定距离通常为1即与中心节点直接有边连接。例如假设下图左为一个完整的图图右为以DDD为中心节点的ego-graph。换句话说所谓的ego network它的节点是由唯一的一个中心节点(ego)以及这个节点的邻居(alters)组成的它的边只包括了ego和alter之间以及alter与alter之间的边。 有的也称为Ego Network。 其中图里面的每个alter和它自身的邻居又可以构成一个ego network而所有节点的ego network合并起来就可以组成真实的social network了。
Ego graph中的中心被称为egoDDD而其它与ego连接的节点被称为alterA,B,C,E,FA,B,C,E,FA,B,C,E,F。
在ego图中除了ego与alter之间有边外例如{DA,DB,DC,DE,DF}\{DA, DB,DC,DE,DF\}{DA,DB,DC,DE,DF}alter和alter之间也可以存在边可选的可能存在也可能不存在例如{AC,AB,AE,BC,CE}\{AC,AB,AE,BC,CE\}{AC,AB,AE,BC,CE}。
跟ego graph有关联的有一个称之为N-step neighborhood的概念它指的是与同ego间路径长度为NNN的所有“邻居”。
2.5 图相关数据分析
2.5.1 计算PageRank节点重要度
G nx.star_graph(7)
nx.draw(G,with_labelsTrue)# 计算PageRank节点重要度PageRank nx.pagerank(G,alpha0.8)
print(PageRank)2.5.2 最大连通域子图
# 一、创建图
# 创建 Erdos-Renyi 随机图也称作 binomial graph
# n-节点数
# p-任意两个节点产生连接的概率G nx.gnp_random_graph(100,0.02,seed10374196)# 初步可视化
pos nx.spring_layout(G,seed10)
nx.draw(G,pos)
plt.show()
# 二、最大连通阈子图
Gcc G.subgraph(sorted(nx.connected_components(G),keylen,reverseTrue)[0])posnx.spring_layout(Gcc,seed1039653)nx.draw_networkx_nodes(Gcc,pos,node_size20)
nx.draw_networkx_edges(Gcc,pos,alpha0.4)
plt.show()2.5.3 每个节点的连接数degree
G nx.gnp_random_graph(100,0.02,seed10374196)# 排序一下
degree_sequence sorted((d for n, d in G.degree()), reverseTrue)
print(degree_sequence)2.5.4 一些可能用到的图的基础数据 导入图
# 第一个参数指定头部节点数第二个参数指定尾部节点数
G nx.lollipop_graph(4, 7)# 可视化
pos nx.spring_layout(G, seed3068)
nx.draw(G, pospos, with_labelsTrue)
plt.show()# 图数据分析
# 半径
print(nx.radius(G))
# 直径
print(nx.diameter(G))
# 偏心度每个节点到图中其它节点的最远距离
print(nx.eccentricity(G))
# 中心节点偏心度与半径相等的节点
print(nx.center(G))
# 外围节点偏心度与直径相等的节点
print(nx.periphery(G))print(nx.density(G))# 3号节点到图中其它节点的最短距离
node_id 3
nx.single_source_shortest_path_length(G, node_id)# 每两个节点之间的最短距离
pathlengths []
for v in G.nodes():spl nx.single_source_shortest_path_length(G, v)for p in spl:print({} -- {} 最短距离 {}.format(v, p, spl[p]))pathlengths.append(spl[p])# 平均最短距离
print(sum(pathlengths) / len(pathlengths))# 不同距离的节点对个数
dist {}
for p in pathlengths:if p in dist:dist[p] 1else:dist[p] 1
print(dist)2.5.5 节点特征重要
# 可视化辅助函数
def draw(G, pos, measures, measure_name):nodes nx.draw_networkx_nodes(G, pos, node_size250, cmapplt.cm.get_cmap(plasma),node_colorlist(measures.values()),nodelistmeasures.keys())nodes.set_norm(mcolors.SymLogNorm(linthresh0.01, linscale1))# labels nx.draw_networkx_labels(G, pos)edges nx.draw_networkx_edges(G, pos)# plt.figure(figsize(10,8))plt.title(measure_name)plt.colorbar(nodes)plt.axis(off)plt.show()# 导入无向图
G nx.karate_club_graph()
pos nx.spring_layout(G, seed675)
nx.draw(G, pos, with_labelsTrue)
plt.show()# 导入有向图
DiG nx.DiGraph()
DiG.add_edges_from([(2, 3), (3, 2), (4, 1), (4, 2), (5, 2), (5, 4),(5, 6), (6, 2), (6, 5), (7, 2), (7, 5), (8, 2),(8, 5), (9, 2), (9, 5), (10, 5), (11, 5)])
# dpos {1: [0.1, 0.9], 2: [0.4, 0.8], 3: [0.8, 0.9], 4: [0.15, 0.55],
# 5: [0.5, 0.5], 6: [0.8, 0.5], 7: [0.22, 0.3], 8: [0.30, 0.27],
# 9: [0.38, 0.24], 10: [0.7, 0.3], 11: [0.75, 0.35]}
nx.draw(DiG, pos, with_labelsTrue)
plt.show()# Node Degree
print(list(nx.degree(G)))
print(dict(G.degree()))
# 字典按值排序
print(sorted(dict(G.degree()).items(), keylambda x: x[1], reverseTrue))
draw(G, pos, dict(G.degree()), Node Degree)# 节点重要度特征(节点的度相当于将节点数归一化后的结果) Centrality
# Degree Centrality-无向图
print(nx.degree_centrality(G))
draw(G, pos, nx.degree_centrality(G), Degree Centrality)# Degree Centrality-有向图
print(nx.in_degree_centrality(DiG))
print(nx.out_degree_centrality(DiG))
draw(DiG, pos, nx.in_degree_centrality(DiG), DiGraph Degree Centrality)draw(DiG, pos, nx.out_degree_centrality(DiG), DiGraph Degree Centrality)# Eigenvector Centrality-无向图特征向量重要度
print(nx.eigenvector_centrality(G))
draw(G, pos, nx.eigenvector_centrality(G), Eigenvector Centrality)# Eigenvector Centrality-有向图特征向量重要度
print(nx.eigenvector_centrality_numpy(DiG))
draw(DiG, pos, nx.eigenvector_centrality_numpy(DiG), DiGraph Eigenvector Centrality)# Betweenness Centrality必经之地
print(nx.betweenness_centrality(G))
draw(G, pos, nx.betweenness_centrality(G), Betweenness Centrality)# Closeness Centrality去哪儿都近
print(nx.closeness_centrality(G))
draw(G, pos, nx.closeness_centrality(G), Closeness Centrality)# PageRank
print(nx.pagerank(DiG, alpha0.85))
draw(DiG, pos, nx.pagerank(DiG, alpha0.85), DiGraph PageRank)# Katz Centrality
print(nx.katz_centrality(G, alpha0.1, beta1.0))
draw(G, pos, nx.katz_centrality(G, alpha0.1, beta1.0), Katz Centrality)
draw(DiG, pos, nx.katz_centrality(DiG, alpha0.1, beta1.0), DiGraph Katz Centrality)# HITS Hubs and Authorities
h, a nx.hits(DiG)
draw(DiG, pos, h, DiGraph HITS Hubs)
draw(DiG, pos, a, DiGraph HITS Authorities)# NetworkX文档社群属性 Clustering
print(nx.draw(G, pos, with_labelsTrue))# 三角形个数
print(nx.triangles(G))
print(nx.triangles(G, 0))
draw(G, pos, nx.triangles(G), Triangles)# Clustering Coefficient
print(nx.clustering(G))
print(nx.clustering(G, 0))
draw(G, pos, nx.clustering(G), Clustering Coefficient)# Bridges
# 如果某个连接断掉会使连通域个数增加则该连接是bridge。
# bridge连接不属于环的一部分。
pos nx.spring_layout(G, seed675)
nx.draw(G, pos, with_labelsTrue)
plt.show()
print(list(nx.bridges(G)))# Common Neighbors 和 Jaccard Coefficient
pos nx.spring_layout(G, seed675)
nx.draw(G, pos, with_labelsTrue)
plt.show()
print(sorted(nx.common_neighbors(G, 0, 4)))
preds nx.jaccard_coefficient(G, [(0, 1), (2, 3)])
for u, v, p in preds:print(f({u}, {v}) - {p:.8f})
for u, v, p in nx.adamic_adar_index(G, [(0, 1), (2, 3)]):print(f({u}, {v}) - {p:.8f})# Katz Index
# 节点u到节点v路径为k的路径个数。
import numpy as np
from numpy.linalg import invG nx.karate_club_graph()
print(len(G.nodes))
# 计算主特征向量
L nx.normalized_laplacian_matrix(G)
e np.linalg.eigvals(L.A)
print(最大特征值, max(e))# 折减系数
beta 1 / max(e)# 创建单位矩阵
I np.identity(len(G.nodes))# 计算 Katz Index
S inv(I - nx.to_numpy_array(G) * beta) - I
print(S.shape)
print(S.shape)2.5.6 计算全图的Graphlet
# 导入全图
G nx.karate_club_graph()plt.figure(figsize(10,8))
pos nx.spring_layout(G, seed123)
nx.draw(G, pos, with_labelsTrue)# 指定Graphlet
target nx.complete_graph(3)
nx.draw(target)
plt.show()# 匹配Graphlet统计个数
num 0
for sub_nodes in itertools.combinations(G.nodes(), len(target.nodes())): # 遍历全图中符合graphlet节点个数的所有节点组合subg G.subgraph(sub_nodes) # 从全图中抽取出子图if nx.is_connected(subg) and nx.is_isomorphic(subg, target): # 如果子图是完整连通域并且符合graphlet特征输出原图节点编号num 1print(subg.edges())print(num)2.6.7 拉普拉斯矩阵特征值分解
import numpy.linalg # 线性代数# 创建图
n 1000 # 节点个数
m 5000 # 连接个数
G nx.gnm_random_graph(n, m, seed5040)# 邻接矩阵Adjacency Matrix
A nx.adjacency_matrix(G)
print(A.shape)
print(A.todense())# 拉普拉斯矩阵Laplacian Matrix
L nx.laplacian_matrix(G)
print(L.shape)# 节点degree对角矩阵
D L A
print(D.todense())# 归一化拉普拉斯矩阵Normalized Laplacian Matrix
L_n nx.normalized_laplacian_matrix(G)
print(L_n.shape)
print(L_n.todense())
plt.imshow(L_n.todense())
plt.show()
print(type(L_n))# 特征值分解
e np.linalg.eigvals(L_n.A)
print(e)
# 最大特征值
print(max(e))
# 最小特征值
print(min(e))# 特征值分布直方图
plt.figure(figsize(12, 8))plt.hist(e, bins100)
plt.xlim(0, 2) # eigenvalues between 0 and 2plt.title(Eigenvalue Histogram, fontsize20)
plt.ylabel(Frequency, fontsize25)
plt.xlabel(Eigenvalue, fontsize25)
plt.tick_params(labelsize20) # 设置坐标文字大小
plt.show()参考文献
[1] NetworkX 图网络处理工具包
[2] python 工具包 NetworkX 教程翻译
[3] Ego Graph概念介绍
[4] ego network的概念
