初识Python之Networkx模块

简介

本文主要介绍Networkx的使用方法和一些简单的应用案例，使用方法主要会介绍创建图、图的基本操作等；应用案例不仅会介绍如何生成无向图、有向图等，还会介绍Networkx在计算机网络、数据中心网络等网络中的简单应用案例。

安装Networkx

在cmd或者shell中输入命令：

pip install networkx

如果使用python中的.ipynb的话也可以：

%pip install networkx

导入模块、查看版本信息

import networkx as nx
import matplotlib.pyplot as plt

print(nx.__version__)

一些基本操作

创建Graph

G = nx.Graph()          # 无向图
G = nx.DiGraph()        # 有向图
G = nx.MultiGraph()     # 多重无向图
G = nx.MultiDigraph()   # 多重有向图
G.clear()               # 清空图

添加边（节点）

在添加边的时候，如果使用了未添加的节点，则会自动添加节点。另外单纯添加节点的方法是：

# 添加节点
G.add_node(1)
G.add_nodes_from([2, 3, 4])

G.add_edge(1, 2)             # default edge data=1
G.add_edge(2, 3, weight=0.9) # specify edge data
# 如果是边有许多的权，比如有长度和宽度的属性，那么：
G.add_edge(n1, n2, length=2, width=3)elist = [(1, 2), (2, 3), (1, 4), (4, 2)]
G.add_edges_from(elist)
elist = [('a', 'b', 5.0), ('b', 'c', 3.0), ('a', 'c', 1.0), ('c', 'd', 7.3)]
G.add_weighted_edges_from(elist)# 如果给结点的名称是其它符号，想离散化成从x开始的数字标记，那么：
G = nx.convert_node_labels_to_integers(G, first_label=x)

获取Graph的基本信息

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, weight='attr')# 如果想知道某个结点相连的某个边权之和：
DG.degree(nodeIdx, weight='weightName')# 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)

Graph的基本绘图

# 最简单的绘制
import matplotlib.pyplot as plt
nx.draw(G)
plt.show()# 设置其他相关参数
nx.draw(G,with_labels=True,pos = nx.sprint_layout(G),node_color=color_list,edge_color='k',node_size=100,node_shape='o',linewidths=2,width=1.0,alpha=0.55,style='solid',font_size=9,font_color='k'
)

简单应用案例

使用内置的Graph数据

G = nx.karate_club_graph()
plt.figure(figsize =(10, 8))
nx.draw_networkx(G, with_labels = True)

创建一个无向图

# 创建一个无向图
G = nx.Graph()# 添加节点
G.add_node(1)
G.add_nodes_from([2, 3, 4])# 添加边
G.add_edge(1, 2)
G.add_edges_from([(1, 3), (2, 4), (3, 4)])# 绘制图形
nx.draw(G, with_labels=True, font_weight='bold')
plt.show()# 输出图的基本信息
print("图中的节点：", G.nodes())
print("图中的边：", G.edges())
print("节点 1 的邻居：", list(G.neighbors(1)))

创建一个有向图

# 创建一个有向图
DiG = nx.DiGraph()# 添加节点
DiG.add_node(1)
DiG.add_nodes_from([2, 3, 4])# 添加有向边
DiG.add_edge(1, 2)
DiG.add_edges_from([(1, 3), (2, 4), (3, 4)])# 绘制图形
nx.draw(DiG, with_labels=True, font_weight='bold', arrowsize=20, node_size=700)
plt.show()# 输出有向图的基本信息
print("有向图中的节点：", DiG.nodes())
print("有向图中的有向边：", DiG.edges())
print("节点 1 的出度：", DiG.out_degree(1))
print("节点 1 的入度：", DiG.in_degree(1))

在计算机网络中的应用案例

# 创建一个有向图表示网络拓扑
G = nx.DiGraph()# 添加节点和边
G.add_nodes_from(["Router1", "Router2", "Switch1", "Computer1"])
G.add_edges_from([("Router1", "Router2"), ("Router1", "Switch1"), ("Switch1", "Computer1")])# 绘制网络拓扑
nx.draw(G, with_labels=True, font_weight='bold', arrowsize=20, node_size=700)
plt.show()# 计算节点度
degrees = dict(G.degree())
print("节点度：", degrees)# 计算聚类系数
clustering_coefficient = nx.clustering(G)
print("聚类系数：", clustering_coefficient)# 计算最短路径
shortest_path = nx.shortest_path(G, source="Router1", target="Computer1")
print("最短路径：", shortest_path)# 绘制带权重的有向图
nx.draw(G, with_labels=True, font_weight='bold', arrowsize=20, node_size=700, connectionstyle='arc3,rad=0.1')
plt.show()# 查找所有最短路径
all_shortest_paths = list(nx.all_shortest_paths(G, source="Router1", target="Computer1"))
print("所有最短路径：", all_shortest_paths)# 计算路径长度
path_length = nx.shortest_path_length(G, source="Router1", target="Computer1")
print("最短路径长度：", path_length)

在数据中心里的应用案例

import networkx as nx
import matplotlib.pyplot as plt
import random# 创建一个有向图表示网络拓扑
network_topology = nx.DiGraph()# 添加节点和边
network_topology.add_nodes_from(["Router1", "Router2", "Switch1", "Link1"])
network_topology.add_edges_from([("Router1", "Switch1"), ("Router2", "Switch1"), ("Switch1", "Link1")])# 添加边属性表示流量和权重
network_topology["Switch1"]["Link1"]["traffic"] = 0
network_topology["Switch1"]["Link1"]["threshold"] = 50
network_topology["Switch1"]["Link1"]["weight"] = 1.0# 模拟拥塞控制算法
def congestion_control(network, threshold):for edge in network.edges(data=True):# 检查键是否存在，如果不存在则初始化if "traffic" not in edge[2]:edge[2]["traffic"] = 0edge[2]["traffic"] += random.randint(0, 20)  # 模拟随机流量增加if edge[2]["traffic"] > threshold:# 执行拥塞控制动作edge[2]["weight"] = 2.0  # 增加拥塞链路的权重else:edge[2]["weight"] = 1.0  # 恢复非拥塞链路的权重# 模拟多个时间步的拥塞控制
for i in range(5):congestion_control(network_topology, threshold=network_topology["Switch1"]["Link1"]["threshold"])print(f"时间步 {i + 1} - Link1 流量：{network_topology['Switch1']['Link1']['traffic']}")# 绘制带权重的有向图
edge_weights = [edge[2]["weight"] for edge in network_topology.edges(data=True)]
nx.draw(network_topology, with_labels=True, font_weight='bold', arrowsize=20, node_size=700, edge_color=edge_weights, cmap=plt.cm.Blues)
plt.show()