本文介绍 Python 图分析库 NetworkX。涵盖安装、核心概念（节点、边、图类型）、基础操作（增删查改）、常用算法（度分析、路径、连通性、中心性）及可视化方法。通过社交网络案例演示综合应用，适合中小规模图结构分析。
NetworkX 是 Python 中用于**创建、操作和分析复杂网络（图结构）**的核心库，支持无向图、有向图、加权图、多重图等多种图类型，内置丰富的图算法（路径分析、连通性、中心性、社区检测等），广泛应用于社交网络分析、网络拓扑研究、路径规划等场景。
使用 pip 安装最新版本：
# 基础安装
pip install networkx
# 包含所有依赖（如可视化、算法扩展）
pip install networkx[all]
验证安装：当前常用版本为 3.x
networkx nx
(nx.__version__)
| 概念 | 说明 |
|---|---|
| 节点（Node） | 图的基本单元，可绑定任意可哈希对象（整数、字符串、元组、自定义对象等） |
| 边（Edge） | 连接节点的关系，可绑定属性（如权重、标签、时间戳） |
| 图类型 | - Graph：无向图（默认），无自环/多重边- DiGraph：有向图- MultiGraph：无向多重图（允许多条边连同一对节点）- MultiDiGraph：有向多重图 |
初始化不同类型的图：
# 1. 无向图（默认）
G = nx.Graph()
# 2. 有向图
DG = nx.DiGraph()
# 3. 无向多重图（允许多条边连接同一节点对）
MG = nx.MultiGraph()
# 4. 有向多重图
MDG = nx.MultiDiGraph()
add_node()add_nodes_from()# 添加单个节点
G.add_node(1) # 节点为整数
G.add_node("A", weight=0.8, label="核心节点") # 节点为字符串，带属性
# 添加多个节点（可迭代对象）
G.add_nodes_from([2, 3, 4])
# 批量添加带属性的节点
G.add_nodes_from([(5, {"weight": 0.5, "label": "普通节点"}), (6, {"weight": 0.3})])
# 从另一个图导入节点
G2 = nx.Graph()
G2.add_nodes_from(G.nodes) # 复制 G 的所有节点
add_edge()add_edges_from()# 添加单个边（连接节点 1 和 2）
G.add_edge(1, 2)
# 带权重的边
G.add_edge(2, 3, weight=5.0, label="强连接")
# 添加多个边（列表形式，每个元素为 (节点 u, 节点 v) 或 (节点 u, 节点 v, 属性字典)）
G.add_edges_from([(3, 4), (4, 5, {"weight": 2.0}), (5, 6, {"weight": 1.0, "label": "弱连接"})])
# 多重图添加多条边（同一节点对）
MG.add_edge(1, 2, key=0, weight=1.0) # key 区分同节点对的不同边
MG.add_edge(1, 2, key=1, weight=2.0)
# 删除单个节点
G.remove_node(6)
# 删除多个节点
G.remove_nodes_from([4, 5])
# 删除单个边
G.remove_edge(1, 2)
# 删除多个边
G.remove_edges_from([(2, 3), (3, 4)])
# 清空所有节点/边
G.clear()
# 1. 节点相关
print("所有节点：", list(G.nodes)) # 输出节点列表
print("节点数量：", G.number_of_nodes()) # 输出节点数
print("节点 1 的属性：", G.nodes[1]) # 获取节点 1 的属性（需先添加属性）
# 2. 边相关
print("所有边：", list(G.edges)) # 输出边列表
print("边数量：", G.number_of_edges()) # 输出边数
print("边 (2,3) 的属性：", G.edges[2, 3]) # 获取边 (2,3) 的属性
# 3. 邻接节点（与指定节点相连的节点）
print("节点 2 的邻接节点：", list(G.neighbors(2)))
# 4. 图的基本信息
n_nodes = G.number_of_nodes()
n_edges = G.number_of_edges()
avg_degree = 2 * n_edges / n_nodes # 无向图平均度计算方式
print(f"图的摘要：节点数={n_nodes}, 边数={n_edges}, 平均度={avg_degree:.2f}")
NetworkX 内置大量图分析算法，以下是高频使用场景：
度表示节点的边数，有向图区分入度（in_degree） 和 出度（out_degree）：
# 无向图：节点的度
print("节点 2 的度：", G.degree[2])
# 带权重的度（求和所有边的权重）
print("节点 2 的加权度：", G.degree(2, weight="weight"))
# 有向图：入度/出度
DG.add_edges_from([(1, 2), (2, 3), (3, 2)])
print("节点 2 的入度：", DG.in_degree[2]) # 2（1→2、3→2）
print("节点 2 的出度：", DG.out_degree[2]) # 1（2→3）
# 重置图（确保可运行）
G = nx.Graph()
G.add_edges_from([(1, 2, {"weight": 1}), (2, 3, {"weight": 5}), (1, 3, {"weight": 10}), (3, 4, {"weight": 2})])
# 1. 无权重最短路径（节点数最少）
shortest_path = nx.shortest_path(G, source=1, target=4)
print("无权重最短路径：", shortest_path) # [1,2,3,4]
# 2. 加权最短路径（Dijkstra 算法）
weighted_shortest_path = nx.shortest_path(G, source=1, target=4, weight="weight")
print("加权最短路径：", weighted_shortest_path) # [1,2,3,4]
# 加权最短路径长度
path_length = nx.shortest_path_length(G, source=1, target=4, weight="weight")
print("加权路径长度：", path_length) # 1+5+2=8
# 无向图连通分量
G3 = nx.Graph()
G3.add_edges_from([(1, 2), (3, 4), (4, 5)])
components = list(nx.connected_components(G3))
print("连通分量：", components) # [{1,2}, {3,4,5}]
# 有向图强连通分量
DG3 = nx.DiGraph()
DG3.add_edges_from([(1, 2), (2, 1), (2, 3), (3, 4)])
strong_components = list(nx.strongly_connected_components(DG3))
print("强连通分量：", strong_components) # [{1,2}, {3}, {4}]
| 中心性类型 | 说明 | 函数 |
|---|---|---|
| 度中心性 | 节点度占总节点数的比例 | nx.degree_centrality() |
| 介数中心性 | 节点出现在最短路径的比例 | nx.betweenness_centrality() |
| 接近中心性 | 节点到其他节点的平均距离 | nx.closeness_centrality() |
示例：
# 计算度中心性
degree_centrality = nx.degree_centrality(G)
print("度中心性：", degree_centrality) # {1:0.333, 2:0.666, 3:0.666, 4:0.333}
# 计算介数中心性（加权）
betweenness = nx.betweenness_centrality(G, weight="weight")
print("介数中心性：", betweenness)
NetworkX 结合 Matplotlib 实现可视化，支持自定义节点/边样式：
import matplotlib.pyplot as plt
# 重置示例图
G = nx.Graph()
G.add_edges_from([(1, 2, {"weight": 1}), (2, 3, {"weight": 5}), (1, 3, {"weight": 10}), (3, 4, {"weight": 2})])
# 1. 基础布局（spring_layout：力导向布局，模拟物理引力）
pos = nx.spring_layout(G) # 计算节点位置
# 2. 绘制节点（自定义大小、颜色）
nx.draw_networkx_nodes(G, pos, node_size=800, node_color="lightblue")
# 3. 绘制边（自定义宽度：根据权重缩放）
edge_weights = [G[u][v]["weight"] for u, v in G.edges]
nx.draw_networkx_edges(G, pos, width=[w * 0.5 for w in edge_weights], edge_color="gray")
# 4. 绘制节点标签、边权重
nx.draw_networkx_labels(G, pos, font_size=12)
nx.draw_networkx_edge_labels(G, pos, edge_labels={(u, v): G[u][v]["weight"] for u, v in G.edges})
# 5. 隐藏坐标轴
plt.axis("off")
plt.title("加权无向图可视化")
plt.show()
| 布局函数 | 适用场景 |
|---|---|
spring_layout() | 通用力导向布局（最常用） |
circular_layout() | 节点环形排列 |
random_layout() | 节点随机排列 |
kamada_kawai_layout() | 优化节点间距离，更美观 |
shell_layout() | 节点分层排列（如社交网络层级） |
# 1. 创建社交网络（无向图）
social_graph = nx.Graph()
# 2. 添加节点（用户），带属性（年龄、性别）
social_graph.add_nodes_from([
("Alice", {"age": 25, "gender": "F"}),
("Bob", {"age": 30, "gender": "M"}),
("Charlie", {"age": 28, "gender": "M"}),
("Diana", {"age": 26, "gender": "F"}),
("Eve", {"age": 27, "gender": "F"})
])
# 3. 添加边（好友关系），带权重（亲密度 1-10）
social_graph.add_edges_from([
("Alice", "Bob", {"intimacy": 9}),
("Alice", "Charlie", {"intimacy": 6}),
("Bob", "Diana", {"intimacy": 8}),
("Charlie", "Diana", {"intimacy": 5}),
("Diana", "Eve", {"intimacy": 7}),
("Alice", "Eve", {"intimacy": 4})
])
# 4. 分析：
# (1) 每个用户的好友数（度）
print("=== 好友数 ===")
for user in social_graph.nodes:
print(f"{user}: {social_graph.degree[user]} 个好友")
# (2) 亲密度加权的度中心性
print("\n=== 亲密度中心性 ===")
intimacy_centrality = nx.degree_centrality(social_graph, weight="intimacy")
for user, score in intimacy_centrality.items():
print(f"{user}: {score:.2f}")
# (3) Alice 到 Eve 的最短路径（按亲密度加权）
print("\n=== Alice 到 Eve 的最短路径 ===")
path = nx.shortest_path(social_graph, source="Alice", target="Eve", weight="intimacy")
path_length = nx.shortest_path_length(social_graph, source="Alice", target="Eve", weight="intimacy")
print(f"路径：{' → '.join(path)}，总亲密度：{path_length}")
# (4) 可视化
pos = nx.kamada_kawai_layout(social_graph)
nx.draw_networkx_nodes(social_graph, pos, node_size=1000, node_color=["pink" if social_graph.nodes[n]["gender"] == "F" else "lightblue" for n in social_graph.nodes])
nx.draw_networkx_edges(social_graph, pos, width=[e["intimacy"] * 0.3 for u, v, e in social_graph.edges(data=True)])
nx.draw_networkx_labels(social_graph, pos, font_size=12)
nx.draw_networkx_edge_labels(social_graph, pos, edge_labels={(u, v): e["intimacy"] for u, v, e in social_graph.edges(data=True)})
plt.axis("off")
plt.title("社交网络亲密度分析")
plt.show()
igraph/graph-tool（处理大规模图）；Pyvis（交互式可视化）、Plotly（动态图）。社区检测：使用 nx.community 模块（如 Louvain 算法）：
from networkx.algorithms import community
communities = community.louvain_communities(G, weight="weight")
读取/保存图：支持 GraphML、GEXF、Pajek 等格式：
# 保存为 GraphML
nx.write_graphml(G, "my_graph.graphml")
# 读取 GraphML
G_loaded = nx.read_graphml("my_graph.graphml")
NetworkX 是 Python 图分析的入门与核心工具，优势在于易用性强、API 直观、内置算法丰富，适合中小规模图（百万节点以内）的分析；若需处理超大规模图，可结合 Dask 分布式计算或专用图数据库（如 Neo4j）。
微信公众号「极客日志」，在微信中扫描左侧二维码关注。展示文案：极客日志 zeeklog
使用加密算法（如AES、TripleDES、Rabbit或RC4）加密和解密文本明文。 在线工具，加密/解密文本在线工具，online
生成新的随机RSA私钥和公钥pem证书。 在线工具，RSA密钥对生成器在线工具，online
基于 Mermaid.js 实时预览流程图、时序图等图表，支持源码编辑与即时渲染。 在线工具，Mermaid 预览与可视化编辑在线工具，online
解析常见 curl 参数并生成 fetch、axios、PHP curl 或 Python requests 示例代码。 在线工具，curl 转代码在线工具，online
将字符串编码和解码为其 Base64 格式表示形式即可。 在线工具，Base64 字符串编码/解码在线工具，online
将字符串、文件或图像转换为其 Base64 表示形式。 在线工具，Base64 文件转换器在线工具，online