Python 知识图谱分析：NetworkX 库使用指南

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）

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

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

1. 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）。