为公益组织做网站,网站浏览图片怎么做的,公司做网站一定要钱吗,i国网app免费下载1、NetworkX 图论与网络工具包
NetworkX 是基于 Python 语言的图论与复杂网络工具包#xff0c;用于创建、操作和研究复杂网络的结构、动力学和功能。
NetworkX 可以以标准和非标准的数据格式描述图与网络#xff0c;生成图与网络#xff0c;分析网络结构#xff0c;构建…
1、NetworkX 图论与网络工具包
NetworkX 是基于 Python 语言的图论与复杂网络工具包用于创建、操作和研究复杂网络的结构、动力学和功能。
NetworkX 可以以标准和非标准的数据格式描述图与网络生成图与网络分析网络结构构建网络模型设计网络算法绘制网络图形。
NetworkX 提供了图形的类、对象、图形生成器、网络生成器、绘图工具内置了常用的图论和网络分析算法可以进行图和网络的建模、分析和仿真。 欢迎关注 Youcans 原创系列每周更新数模笔记
Python数模笔记-PuLP库 Python数模笔记-StatsModels统计回归 Python数模笔记-Sklearn Python数模笔记-NetworkX Python数模笔记-模拟退火算法 NetworkX 的官网和文档
官网地址https://networkx.org/
官方文档 https://networkx.org/documentation/stable/
pdf 文档 https://networkx.org/documentation/stable/_downloads/networkx_reference.pdf
NetworkX 的安装
NetworkX 的安装要求Python 3.2 以上版本推荐安装 NumPy、SciPy、Matplotlib、Graphviz 工具包的支持。
pip 安装 pip3 install networkx pip3 install networkx -i https://mirrors.aliyun.com/pypi/simple 本系列写作计划
NetworkX 的功能非常强大和庞杂所涉及内容远远、远远地超出了数学建模的范围甚至于花了很长时间还不能对其进行比较系统的概括。 本系列以数模学习和应用的需求为主线介绍相关的基本功能和典型算法的应用。 2、图、顶点和边的创建与基本操作
图由顶点和连接顶点的边构成但与顶点的位置、边的曲直长短无关。
图提供了一种处理关系和交互等抽象概念的更好的方法它还提供了直观的视觉方式来思考这些概念。
Networkx支持创建简单无向图、有向图和多重图multigraph内置许多标准的图论算法节点可为任意数据支持任意的边值维度功能丰富简单易用。
2.1 图的基本概念
图Graph。若干点和一些连接这些点的连线所构成关系结构就是一个图。顶点Node和边Edge。图中的点称为顶点也称节点。两个顶点之间的连线称为边。平行边Parallel edge和循环Cycle。起点相同、终点也相同的两条边称为平行边。起点和终点重合的边称为循环。有向图Digraph和无向图Undirected graph。图中的每条边都带有方向称为有向图图中的每条边都没有方向称为无向图有的边带有方向有的边没有方向称为混合图。赋权图Weighted graph。图中的每条边都有一个或多个对应的参数称为赋权图。该参数称为这条边的权权可以用来表示两点间的距离、时间、费用。度Degree。与顶点相连的边的数量称为该顶点的度。
2.2 图、顶点和边的操作
Networkx很容易创建图、向图中添加顶点和边、从图中删除顶点和边也可以查看、删除顶点和边的属性。
图的创建
Graph()类、DiGraph()类、MultiGraph()类和MultiDiGraph() 类分别用来创建 无向图、有向图、多图和有向多图。 class Graph(incoming_graph_dataNone, **attr) import networkx as nx
import networkx as nx # 导入 NetworkX 工具包
# 创建 图
G1 nx.Graph() # 创建空的 无向图
G2 nx.DiGraph() #创建空的 有向图
G3 nx.MultiGraph() #创建空的 多图
G4 nx.MultiDiGraph() #创建空的 有向多图顶点的添加、删除和查看
图的每个顶点都有唯一的标签属性label可以用整数或字符类型表示顶点还可以自定义任意属性。
顶点的常用操作添加顶点删除顶点定义顶点属性查看顶点和顶点属性。
# 顶点(node)的操作
G1.add_node(1) # 向 G1 添加顶点 1
G1.add_node(1,namen1,weight1.0) # 添加顶点 1定义 name, weight 属性
G1.add_node(2,dateMay-16) # 添加顶点 2定义 time 属性
G1.add_nodes_from([3, 0, 6], dist1) # 添加多个顶点306
# 查看顶点和顶点属性
print(G1.nodes()) # 查看顶点
# [1, 2, 3, 0, 6]
print(G1._node) # 查看顶点属性
# {1: {name: n1, weight: 1.0}, 2: {date: May-16}, 3: {dist: 1}, 0: {dist: 1}, 6: {dist: 1}}
H nx.path_graph(8) # 创建 路径图 H由 n个节点、n-1条边连接节点标签为 0 至 n-1
G1.add_nodes_from(H) # 由路径图 H 向图 G1 添加顶点 09
print(G1.nodes()) # 查看顶点
# [1, 2, 3, 0, 6, 4, 5, 7] # 顶点列表
G1.add_nodes_from(range(10, 15)) # 向图 G1 添加顶点 1014
print(G1.nodes()) # 查看顶点
# [1, 2, 3, 0, 6, 4, 5, 7, 10, 11, 12, 13, 14]
# 从图中删除顶点
G1.remove_nodes_from([1, 11, 13, 14]) # 通过顶点标签的 list 删除多个顶点
print(G1.nodes()) # 查看顶点
# [2, 3, 0, 6, 4, 5, 7, 10, 12] # 顶点列表边的添加、删除和查看
边是两个顶点之间的连接在 NetworkX 中用 边是由对应顶点的名字的元组组成 e(node1,node2)。边可以设置权重、关系等属性。
边的常用操作添加边删除边定义边的属性查看边和边的属性。向图中添加边时如果添加的边的顶点是图中不存在的则自动向图中添加该顶点。
# 边(edge)的操作
G1.add_edge(1,5) # 向 G1 添加边 1-5并自动添加图中没有的顶点
G1.add_edge(0,10, weight2.7) # 向 G1 添加边 0-10并设置属性
G1.add_edges_from([(1,2,{weight:0}), (2,3,{color:blue})]) # 向图中添加边并设置属性
print(G1.nodes()) # 查看顶点
# [2, 3, 0, 6, 4, 5, 7, 10, 12, 1] # 自动添加了图中没有的顶点 1
G1.add_edges_from([(3,6),(1,2),(6,7),(5,10),(0,1)]) # 向图中添加多条边
G1.add_weighted_edges_from([(1,2,3.6),[6,12,0.5]]) # 向图中添加多条赋权边: (node1,node2,weight)
G1.remove_edge(0,1) # 从图中删除边 0-1
# G1.remove_edges_from([(2,3),(1,5),(6,7)]) # 从图中删除多条边
# print(G1.edges(dataTrue)) # 查看所有边的属性
print(G1.edges) # 查看所有边
# [(2, 1), (2, 3), (3, 6), (0, 10), (6, 7), (6, 12), (5, 1), (5, 10)]
print(G1.get_edge_data(1,2)) # 查看指定边 1-2 的属性
# {weight: 3.6}
print(G1[1][2]) # 查看指定边 1-2 的属性
# {weight: 3.6}查看图、顶点和边的信息
print(G1.nodes) # 返回所有的顶点 [node1,...]
# [1, 2, 0, 6, 4, 12, 5, 9, 8, 3, 7]
print(G1.edges) # 返回所有的边 [(node1,node2),...]
# [(1,5), (1,2), (2,8), (2,3), (0,9), (6,5), (6,7), (6,12), (4,3), (4,5), (9,8), (8,7)]
print(G1.degree) # 返回各顶点的度 [(node1,degree1),...]
# [(1,2), (2,3), (0,1), (6,3), (4,2), (12,1), (5,3), (9,2), (8,3), (3,2), (7,2)]
print(G1.number_of_nodes()) # 返回所有的顶点 [node1,...]
# 11
print(G1.number_of_edges()) # 返回所有的顶点 [node1,...]
# 12
print(G1[2]) # 返回指定顶点相邻的顶点和顶点的属性
# {1: {weight: 3.6}, 8: {color: blue}, 3: {}}
print(G1.adj[2]) # 返回指定顶点相邻的顶点和顶点的属性
# {1: {weight: 3.6}, 8: {color: blue}, 3: {}}
print(G1[6][12]) # 返回指定边的属性
# {weight: 0.5}
print(G1.adj[6][12]) # 返回指定边的属性
# {weight: 0.5}
print(G1.degree(5)) # 返回指定顶点的度
# 3
print(nx.info:,nx.info(G1)) # 返回图的基本信息
print(nx.degree:,nx.degree(G1)) # 返回图中各顶点的度
print(nx.density:,nx.degree_histogram(G1)) # 返回图中度的分布
print(nx.pagerank:,nx.pagerank(G1)) # 返回图中各顶点的频率分布2.3 图的属性和方法
图的方法
方法说明G.has_node(n)当图 G 中包括顶点 n 时返回 TrueG.has_edge(u, v)当图 G 中包括边 (u,v) 时返回 TrueG.number_of_nodes()返回 图 G 中的顶点的数量G.number_of_edges()返回 图 G 中的边的数量G.number_of_selfloops()返回 图 G 中的自循环边的数量G.degree([nbunch, weight])返回 图 G 中的全部顶点或指定顶点的度G.selfloop_edges([data, default])返回 图 G 中的全部的自循环边G.subgraph([nodes])从图 G1中抽取顶点[nodes]及对应边构成的子图union(G1,G2)合并图 G1、G2nx.info(G)返回图的基本信息nx.degree(G)返回图中各顶点的度nx.degree_histogram(G)返回图中度的分布nx.pagerank(G)返回图中各顶点的频率分布nx.add_star(G,[nodes],**attr)向图 G 添加星形网络nx.add_path(G,[nodes],**attr)向图 G 添加一条路径nx.add_cycle(G,[nodes],**attr)向图 G 添加闭合路径
例程
# Copyright 2021 YouCans, XUPT
G1.clear() # 清空图G1
nx.add_star(G1, [1, 2, 3, 4, 5], weight1) # 添加星形网络以第一个顶点为中心
# [(1, 2), (1, 3), (1, 4), (1, 5)]
nx.add_path(G1, [5, 6, 8, 9, 10], weight2) # 添加路径顺序连接 n个节点的 n-1条边
# [(5, 6), (6, 8), (8, 9), (9, 10)]
nx.add_cycle(G1, [7, 8, 9, 10, 12], weight3) # 添加闭合回路循环连接 n个节点的 n 条边
# [(7, 8), (7, 12), (8, 9), (9, 10), (10, 12)]
print(G1.nodes) # 返回所有的顶点 [node1,...]
nx.draw_networkx(G1)
plt.show()G2 G1.subgraph([1, 2, 3, 8, 9, 10])
G3 G1.subgraph([4, 5, 6, 7])
G nx.union(G2, G3)
print(G.nodes) # 返回所有的顶点 [node1,...]
# [1, 2, 3, 8, 9, 10, 4, 5, 6, 7]关注 Youcanshttps://blog.csdn.net/youcans原创系列 3、图的绘制与分析
3.1 图的绘制
可视化是图论和网络问题中很重要的内容。NetworkX 在 Matplotlib、Graphviz 等图形工具包的基础上提供了丰富的绘图功能。
本系列拟对图和网络的可视化作一个专题在此只简单介绍基于 Matplotlib 的基本绘图函数。基本绘图函数使用字典提供的位置将节点放置在散点图上或者使用布局函数计算位置。
方法说明draw(G[,pos,ax])基于 Matplotlib 绘制 图 Gdraw_networkx(G[, pos, arrows, with_labels])基于 Matplotlib 绘制 图 Gdraw_networkx_nodes(G, pos[, nodelist, . . . ])绘制图 G 的顶点draw_networkx_edges(G, pos[, edgelist, . . . ])绘制图 G 的边draw_networkx_labels(G, pos[, labels, . . . ])绘制顶点的标签draw_networkx_edge_labels(G, pos[, . . . ])绘制边的标签
其中nx.draw() 和 nx.draw_networkx() 是最基本的绘图函数并可以通过自定义函数属性或其它绘图函数设置不同的绘图要求。常用的属性定义如下
‘node_size’指定节点的尺寸大小默认300‘node_color’指定节点的颜色默认红色‘node_shape’节点的形状默认圆形‘alpha’透明度默认1.0不透明‘width’边的宽度默认1.0‘edge_color’边的颜色默认黑色‘style’边的样式可选 ‘solid’、‘dashed’、‘dotted’、‘dashdot’‘with_labels’节点是否带标签默认True‘font_size’节点标签字体大小默认12‘font_color’节点标签字体颜色默认黑色 3.2 图的分析
NetwotkX 提供了图论函数对图的结构进行分析
子图 子图是指顶点和边都分别是图 G 的顶点的子集和边的子集的图。 subgraph()方法按顶点从图 G 中抽出子图。例程如前。
连通子图 如果图 G 中的任意两点间相互连通则 G 是连通图。 connected_components()方法返回连通子图的集合。
G nx.path_graph(4)
nx.add_path(G, [7, 8, 9])
# 连通子图
listCC [len(c) for c in sorted(nx.connected_components(G), keylen, reverseTrue)]
maxCC max(nx.connected_components(G), keylen)
print(Connected components:{}.format(listCC)) # 所有连通子图
# Connected components:[4, 3]
print(Largest connected components:{}.format(maxCC)) # 最大连通子图
# Largest connected components:{0, 1, 2, 3}** 强连通** 如果有向图 G 中的任意两点间相互连通则称 G 是强连通图。 strongly_connected_components()方法返回所有强连通子图的列表。
# 强连通
G nx.path_graph(4, create_usingnx.DiGraph())
nx.add_path(G, [3, 8, 1])
# 找出所有的强连通子图
con nx.strongly_connected_components(G)
print(type(con),list(con))
# class generator [{8, 1, 2, 3}, {0}]弱连通 如果一个有向图 G 的基图是连通图则有向图 G 是弱连通图。 weakly_connected_components()方法返回所有弱连通子图的列表。
# 弱连通
G nx.path_graph(4, create_usingnx.DiGraph()) #默认生成节点 0,1,2,3 和有向边 0-1,1-2,2-3
nx.add_path(G, [7, 8, 3]) #生成有向边7-8-3
con nx.weakly_connected_components(G)
print(type(con),list(con))
# class generator [{0, 1, 2, 3, 7, 8}]———————————————— 版权声明本文为CSDN博主「youcans」的原创文章遵循CC 4.0 BY-SA版权协议转载请附上原文出处链接及本声明。 原文链接https://blog.csdn.net/youcans/article/details/116999881 版权说明 参考文献声明本文部分内容参考了 NetworkX 官网介绍https://networkx.org/documentation/stable/ YouCans 原创作品 Copyright 2021 YouCans, XUPT Crated2021-05-16 欢迎关注 Youcans 原创系列每周更新数模笔记
Python数模笔记-PuLP库1线性规划入门 Python数模笔记-PuLP库2线性规划进阶 Python数模笔记-PuLP库3线性规划实例 Python数模笔记-NetworkX1图的操作 Python数模笔记-NetworkX2最短路径 Python数模笔记-NetworkX3条件最短路径 Python数模笔记-StatsModels 统计回归1简介 Python数模笔记-StatsModels 统计回归2线性回归 Python数模笔记-StatsModels 统计回归3模型数据的准备 Python数模笔记-StatsModels 统计回归4可视化 Python数模笔记-Sklearn 1介绍 Python数模笔记-Sklearn 2聚类分析 Python数模笔记-Sklearn 3主成分分析 Python数模笔记-Sklearn 4线性回归 Python数模笔记-Sklearn 5支持向量机 Python数模笔记-模拟退火算法1多变量函数优化 Python数模笔记-模拟退火算法2约束条件的处理 Python数模笔记-模拟退火算法3整数规划问题 Python数模笔记-模拟退火算法4旅行商问题
