Python 知识图谱分析：NetworkX 库使用指南

NetworkX 库介绍与使用指南

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。

一、安装

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

import networkx as nx
print(nx.__version__)  # 输出版本号

二、核心概念

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

三、基础操作：创建与编辑图

1. 创建图

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()

2. 添加节点

单个节点：add_node()
多个节点：add_nodes_from()
带属性的节点（如节点名称、权重）：

# 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

3. 添加边

单个边：add_edge()
多个边：add_edges_from()
带权重/属性的边：

# 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)

4. 删除节点/边

# 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()

5. 查询图信息

# 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}")

四、图分析：常用算法与指标

NetworkX 内置大量图分析算法，以下是高频使用场景：

1. 度（Degree）分析

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）

2. 路径分析

最短路径（无权重/加权）：

# 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

3. 连通性分析

无向图：连通分量（子图内任意节点可达）
有向图：强连通分量（双向可达）/弱连通分量（忽略方向后可达）

# 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}]

4. 节点中心性（衡量节点重要性）

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)

五、图的可视化

NetworkX 结合 Matplotlib 实现可视化，支持自定义节点/边样式：

基础可视化

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()

常用布局

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）

六、综合示例：社交网络分析

# 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()

七、进阶扩展

与其他库结合：
- 高性能计算：结合 igraph/graph-tool（处理大规模图）；
- 可视化增强：结合 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")

总结

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）。

NetworkX 库介绍与使用指南

一、安装

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

import networkx as nx
print(nx.__version__)  # 输出版本号

二、核心概念

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

三、基础操作：创建与编辑图

1. 创建图

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()

2. 添加节点

单个节点：add_node()
多个节点：add_nodes_from()
带属性的节点（如节点名称、权重）：

# 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

3. 添加边

单个边：add_edge()
多个边：add_edges_from()
带权重/属性的边：

# 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)

4. 删除节点/边

# 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()

5. 查询图信息

# 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}")

四、图分析：常用算法与指标

NetworkX 内置大量图分析算法，以下是高频使用场景：

1. 度（Degree）分析

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）

2. 路径分析

最短路径（无权重/加权）：

# 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

3. 连通性分析

无向图：连通分量（子图内任意节点可达）
有向图：强连通分量（双向可达）/弱连通分量（忽略方向后可达）

# 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}]

4. 节点中心性（衡量节点重要性）

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)

五、图的可视化

NetworkX 结合 Matplotlib 实现可视化，支持自定义节点/边样式：

基础可视化

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()

常用布局

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）

六、综合示例：社交网络分析

# 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()

七、进阶扩展

与其他库结合：
- 高性能计算：结合 igraph/graph-tool（处理大规模图）；
- 可视化增强：结合 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")

Python 知识图谱分析：NetworkX 库使用指南

NetworkX 库介绍与使用指南

一、安装

二、核心概念

三、基础操作：创建与编辑图

1. 创建图

2. 添加节点

3. 添加边

4. 删除节点/边

5. 查询图信息

四、图分析：常用算法与指标

1. 度（Degree）分析

2. 路径分析

3. 连通性分析

4. 节点中心性（衡量节点重要性）

五、图的可视化

基础可视化

常用布局

六、综合示例：社交网络分析

七、进阶扩展

总结

Python 知识图谱分析：NetworkX 库使用指南

NetworkX 库介绍与使用指南

一、安装

二、核心概念

三、基础操作：创建与编辑图

1. 创建图

2. 添加节点

3. 添加边

4. 删除节点/边

5. 查询图信息

四、图分析：常用算法与指标

1. 度（Degree）分析

2. 路径分析

3. 连通性分析

4. 节点中心性（衡量节点重要性）

五、图的可视化

基础可视化

常用布局

六、综合示例：社交网络分析

七、进阶扩展

总结

微信扫一扫，关注极客日志

更多推荐文章

相关免费在线工具

微信扫一扫，关注极客日志

更多推荐文章

相关免费在线工具