绘制基本网络图
用matplotlib绘制网络图
基本流程: 1. 导入networkx,matplotlib包 2. 建立网络 3. 绘制网络 nx.draw() 4. 建立布局 pos = nx.spring_layout美化作用 最基本画图程序1 import networkx as nx #导入networkx包2 import matplotlib.pyplot as plt 3 G = nx.random_graphs.barabasi_albert_graph(100,1) #生成一个BA无标度网络G4 nx.draw(G) #绘制网络G5 plt.savefig("ba.png") #输出方式1: 将图像存为一个png格式的图片文件6 plt.show() #输出方式2: 在窗口中显示这幅图像
networkx 提供画图的函数有:
-
draw
(G,[pos,ax,hold])draw_networkx
(G,[pos,with_labels])draw_networkx_nodes
(G,pos,[nodelist]) 绘制网络G的节点图draw_networkx_edges
(G,pos[edgelist]) 绘制网络G的边图-
draw_networkx_edge_labels
(G, pos[, ...]) 绘制网络G的边图,边有label ---有layout 布局画图函数的分界线--- -
draw_circular(G, **kwargs)
Draw the graph G with a circular layout. -
draw_random(G, **kwargs)
Draw the graph G with a random layout. -
draw_spectral(G, **kwargs)
Draw the graph G with a spectral layout. -
draw_spring(G, **kwargs)
Draw the graph G with a spring layout. -
draw_shell(G, **kwargs)
Draw networkx graph with shell layout. -
draw_graphviz(G[, prog])
Draw networkx graph with graphviz layout.
networkx 画图参数:
-node_size
: 指定节点的尺寸大小(默认是300,单位未知,就是上图中那么大的点) - node_color
: 指定节点的颜色 (默认是红色,可以用字符串简单标识颜色,例如'r'为红色,'b'为绿色等,具体可查看手册),用“数据字典”赋值的时候必须对字典取值(.values())后再赋值 - node_shape
: 节点的形状(默认是圆形,用字符串'o'标识,具体可查看手册) - alpha
: 透明度 (默认是1.0,不透明,0为完全透明) - width
: 边的宽度 (默认为1.0) - edge_color
: 边的颜色(默认为黑色) - style
: 边的样式(默认为实现,可选: solid|dashed|dotted,dashdot) - with_labels
: 节点是否带标签(默认为True) - font_size
: 节点标签字体大小 (默认为12) - font_color
: 节点标签字体颜色(默认为黑色) e.g. nx.draw(G,node_size = 30, with_label = False) 绘制节点的尺寸为30,不带标签的网络图。 networkx 画图参数:
-node_size
: 指定节点的尺寸大小(默认是300,单位未知,就是上图中那么大的点) - node_color
: 指定节点的颜色 (默认是红色,可以用字符串简单标识颜色,例如'r'为红色,'b'为绿色等,具体可查看手册),用“数据字典”赋值的时候必须对字典取值(.values())后再赋值 - node_shape
: 节点的形状(默认是圆形,用字符串'o'标识,具体可查看手册) - alpha
: 透明度 (默认是1.0,不透明,0为完全透明) - width
: 边的宽度 (默认为1.0) - edge_color
: 边的颜色(默认为黑色) - style
: 边的样式(默认为实现,可选: solid|dashed|dotted,dashdot) - with_labels
: 节点是否带标签(默认为True) - font_size
: 节点标签字体大小 (默认为12) - font_color
: 节点标签字体颜色(默认为黑色) e.g. nx.draw(G,node_size = 30, with_label = False) 绘制节点的尺寸为30,不带标签的网络图。
布局指定节点排列形式
pos = nx.spring_layout
建立布局,对图进行布局美化,networkx 提供的布局方式有:
- circular_layout:节点在一个圆环上均匀分布 - random_layout:节点随机分布 - shell_layout:节点在同心圆上分布 - spring_layout: 用Fruchterman-Reingold算法排列节点 - spectral_layout:根据图的拉普拉斯特征向量排列节 布局也可用pos参数指定,例如,nx.draw(G, pos = spring_layout(G)) 这样指定了networkx上以中心放射状分布.绘制划分后的社区
先看一段代码,代码源自
partition = community.best_partition(User)size = float(len(set(partition.values())))pos = nx.spring_layout(G)count = 0.for com in set(partition.values()) : count = count + 1. list_nodes = [nodes for nodes in partition.keys() if partition[nodes] == com] nx.draw_networkx_nodes(G, pos, list_nodes, node_size = 50, node_color = str(count / size))nx.draw_networkx_edges(User,pos,with_labels = True, alpha=0.5 )plt.show()
communit.best_partition 是社区划分方法,算法是根据Vincent D.Blondel 等人于2008提出,是基于modularity optimization的heuristic方法.
partition的结果存在字典数据类型:{'1': 0, '3': 1, '2': 0, '5': 1, '4': 0, '6': 0}
单引号里的数据是key,也就是网络中节点编号。 冒号后面的数值,表示网络中节点的编号属于哪个社区。也就是社区标号。如'6': 0
表示6节点属于0社区 list_nodes = [nodes for nodes in partition.keys() if partition[nodes] == com]
每次循环list_nodes结果是社区i对应的用户编号。
如第一次循环结果是com = 0, list_nodes= ['1','2','4','6'] 第二次循环的结果是com = 1, list_nodes = ['3','6'] 这样每次循环,画出一个社区的所有节点:nx.draw_networkx_nodes(G, pos, list_nodes, node_size = 50, node_color = str(count / size))
循环结束后通过颜色来标识不同社区.