数据分析学习笔记(三)-NetworkX的使用
转：http://baiyejianxin.iteye.com/blog/1764048
创建简单的空图形（没有边和点）
import networkx as nx
g = nx.Graph();
h = nx.Graph( g); #可以在构建Graph对象时指定值来构造一个新的Graph对象
f = nx.Graph( [ (1,2),(2,3),(1,3)]); #可以在构建Graph对象时指定node关系的数组来构建Graph对象
根据定义，一个Graph就是一个所有nodes的集合。在NetworkX中，nodes能够代表任何对象，例如一个文本，一个图片，一个xml对象或者另外一个Graph，一个自定义的对象等等。
由于NetworkX提供了多种Graph对象生成方法，并且体痛了读写方法来读写多种格式，所以Graph对象能够使用多种方式创建。
----------------------
Nodes
graph对象能够添加node（节点）
g.add_node(1); #添加一个节点
g.add_nodes_from( [2,3]) #添加一个节点列表
h = nx.path_graph(10)
g.add_nodes_from( h) #添加一个能够迭代的集合(例如：list, set, graph, file等等)，这样g中包含了h中的元素
g.add_node( h) #这是将h作为一个node添加到g中
g.add_nodes_from( 'span'); #将span拆分为一个字符数组，然后添加node
Note: 最后，h是一个graph对象，将h最为g的node，是一个很灵活的特性。这样节点可以是graph中的graph，files中的graphs，method中的graph等等。值得思考的是，如果结构化你的应用使得那些node都是有用的实体。如果你愿意，你还可以是g对应一个唯一的表示，每个node对应一个被表示的key。如果node对应的是对象中的内容，那么当内容变化是，不应该修改对象，应该修改node对应的内容（有点绕）。
-----------------------
Edges
graph对象中还能够添加edges(边)；
g.add_edge(1,2) # 添加一个1和2之间的edge
e=(2,3) #定义个关系
g.add_edge( *e) #添加关系对象
g.add_edges_from([(1,2),(2,3)]) #添加一个edge数组
g.add_edges_from( h.edges()); #h.edges()返回的h的包含所有edge的数组
#拆除graph对象中的node和edge可以使用如下方法
g.remove_node()
g.remove_nodes_from()
g.remove_edge()
g.remove_edges_from()
#删除所有的node和edge
g.clear();
#如果重复添加相同的node和edge，NetworkX将会将会忽略那些重复的内容。
g.add_nodes_from("span");
g.add_node( "s");
#获取一个Graph对象中node和edge的数量
g.number_of_nodes();
g.number_of_edges();
#获取一个Graph对象中的node数组或者edge数组
g.nodes();
g.edges();
g.neighbors(1); #获取与node为1相邻的node是节点
g.remove_edge( 1,2); #删除node1和node2之间的edge，自此node1和node2不再为相邻的node
------------------------------
如何使用nodes和edges？
获取你已经注意到了node和edge并不是Graph的对象。这就能够使你更加灵活的使用node和edge，如果在python中使用string和number。node可以为任何hashable对象（除了Node），edge还可以和其他Graph对象中的node建立关联。例如：
g.add_node( n1, n2, Graph=x);
例如，n1,n2可以代表生物蛋白质资料库中两种蛋白质对象,x可以是代表一个观察实验出版物中的xml片段记录。
如果熟悉他们，那么他们会非常有用。如果滥用也会带来意想不到的结果。如有疑问可以通过convert_node_labels_to_integers()方法来获得更多的有整数组成的传统图形。
-------------------------
除了使用上面提到的方法外，可以使用索引下标来访问edge
>>>g[1]
{2,{}}
>>>g[1][1]
{}
Note：不要修改返回到额字典结构，它是graph固有的一部分，直接修改会导致不一致的状态
同样通过下标可以设置edge的属性
g.add_edge( 1, 3)
g[1][1][ "color"] = "blue"
通过迭代快速查找所有的edge
>>> FG=nx.Graph()
>>> FG.add_weighted_edges_from([(1,2,0.125),(1,3,0.75),(2,4,1.2),(3,4,0.375)])
>>> for n,nbrs in FG.adjacency_iter():
... for nbr,eattr in nbrs.items():
... data=eattr['weight']
... if data<0.5: print('(%d, %d, %.3f)' % (n,nbr,data))
(1, 2, 0.125)
(2, 1, 0.125)
(3, 4, 0.375)
(4, 3, 0.375)
--------------------
添加graph，node，edge的属性
像color,label,weight或者其他Python对象的属性都可以被设置为graph，node，edge的属性。
每个graph，node，edge都能够包含key/value这样的字典数据。默认情况下是没有这些属性的。可以通过add_node(),add_edge(),或者直接修改来添加和修改属性。
Graph 属性
g = nx.Graph( day="friday");
g.graph
打印：｛“day”：“friday”｝
g.graph["day"]="Monday";
g.graph
打印：｛"day":"Monday"｝
Node属性
通过add_node()，add_nodes_from或者g.node来添加属性
g.add_node( 1, time="5pm");
g.add_nodes_from([3], time="2pm");
g.node[ 1]
打印：｛"time":"5pm"｝
g.node[1]["room"]=714;
g.nodes(data=True);
打印：[(1,{"room":714, "time":"5pm"}),(3,{"time":"2pm"})]
Note:向node添加属性并不会想graph添加属性，
Edge属性
通过add_edge(), add_edges_from()或者g.edge来添加属性
g.add_edge(1,2,wegiht=4.7)
g.add_edges_from( [ (2,3),(3,4) ], color="red")
g.add_edges_from( [(1,2,{"color":"blue"}),(4,5,{"weight":8})])
g[1][2]["width"]=4.7
g.edge[1][2]["weight"]=4
-----------------------------
Directed graphs(有向图)
DiGraph类针对有向edge提供了另外的方法，例如：out_edges(), in_degree(),predecessors(),successors()等。为了是算法能够正常运行，有向版本的neighbors()和degree()对于seccessor()方法是相同的。in_degree()和out_degree()都是独自的。
ig = nx.DiGraph()
ig.add_wieghted_edges_from( [(1,2,0.5),(2,3,0.7)])
ig.out_degree( 1,weight="weight");
打印：0.5
ig.degree( 1, weight="weight");
打印：1.25
ig.seccessors(1)
打印:[2]
ig.neighbors(1)
打印:[2]
一些算法只对有向grapsh起作用，其他算法没有明确定义。同时使用有向graph和无向graph是非常危险的事情。如果想将有向graph转换为无向graph可以使用
Graph.to_undirected()
或者
h = nx.Graph( g)
-------------------
Multigraphs
NetworkX提供了类来实现一对node之间存在多个edge的实现类：MultiGraph和MultiDiGraph，他们都允许使用的edge数据添加多个的edge。对于某些应这个特性非常有用，但是很多算法在这种graph中并没有明确定义。
>>> MG=nx.MultiGraph()
>>> MG.add_weighted_edges_from([(1,2,.5), (1,2,.75), (2,3,.5)])
>>> MG.degree(weight='weight')
{1: 1.25, 2: 1.75, 3: 0.5}
>>> GG=nx.Graph()
>>> for n,nbrs in MG.adjacency_iter():
... for nbr,edict in nbrs.items():
... minvalue=min([d['weight'] for d in edict.values()])
... GG.add_edge(n,nbr, weight = minvalue)
...
>>> nx.shortest_path(GG,1,3)
[1, 2, 3]
---------------------
Graph generators and graph operations(图形生成和操作)
为了构建node-by-node或者edge-by-edge的graph，还可以使用以下方式。
subgraph( G, nbunch)
union( g1,g2) #合并praph
disjoint_union( g1, g2) #假设所有node都不相同合并praph
cartesian_product( g1, g2) #返回笛卡尔产品praph
compose( g1, g2) #合并公共的node
complement( g1) #praph的补集
create_empty_copy( g) #返回某个praph对象的空的拷贝对象
convert_to_undirected( g) #返回一个无向praph
convert_to_directed( g) #返回一个有向的praph
使用小图的调用
petersen = nx.petersen_parph();
tutte = nx.tutte_praph()
maze = nx.sedgewick_maze_praph()
tet = nx.tetrahedral_praph()
使用典型praph的构造生成器
k_4 = nx.complete_graph(4);
k_3_5 = nx.complete_bipartite_graph(3,5)
barbell = nx.barbell_graph( 10, 10)
lollipop = nx.lollipop_graph( 10,20);
使用随机graph生成器
>>> er=nx.erdos_renyi_graph(100,0.15)
>>> ws=nx.watts_strogatz_graph(30,3,0.1)
>>> ba=nx.barabasi_albert_graph(100,5)
>>> red=nx.random_lobster(100,0.9,0.9)
从存储praph的文件中读取格式数据然后生成praph。
>>> nx.write_gml(red,"path.to.file")
>>> mygraph=nx.read_gml("path.to.file")
--------------
Analyzing graphs(分析图)
结构话的praph能够使用提供的方法来进行分析：
g = nx.Graph()
g.add_edges_from( [(1,2),(1,3)])
g.add_node( "spam")
nx.connected_components( g) #将node有关联的显示一个数组中。返回的为一个数组
打印: [ [1,2,3], [ "spam"]]
sorted( nx.degree( g).values())
打印： [ 0, 1, 1, 2]
nx.clustering( g) #聚合
打印： { 1 : 0.0, 2:0.0 , 3: 0.0 . "spam":0.0}
nx.degree( g) #显示等级
打印:{1:2, 2:1,3:1,"spam":0}
对于特殊的node，可以将一个单独的node或者node集合作为参数。如果传入一个独立的node，那么返回一个独立的值，如果传入一个node集合，这个方法将返回一个字典类型的数据
nx.degree(g,1) #返回第一个node的值
2
g.degree( 1) #返回第一个node的值
2
g.degree( 1, 2) #返回从第一个node开始，前两个node的值
{1:2, 2:1}
sorted( g.degree( [ 1, 2]).values()) #返回1和2并排序输出结果
[1,2]
sorted( g.degree().values()) #返回g中node的权重，并排序输出结果
想要了解更加详细的算法只是，参考：算法
---------------------
Drawing Praphs(绘制图形)
NetworkX并不是首选的图形绘制包，但是它包含了基本的图形绘制工具开源包Matplotlib。如果需要的话可以引入network.drawing包。（更详细的文档参考：Drawing）
注意： NetworkX中的绘图包不和Python3兼容
首先引入 Matplotlib的plot接口
import matplotlib.pyplot as plt
如果成功引入 networkx.drawing那么可以使用下面的方法绘制graph对象
nx.draw( g)
nx.draw_random( g)
nx.draw_circular( g)
nx.draw_spectral( g)
将绘制的内容保存的一个文件中使用下面的方法
nx.draw( g)
plt.savefig( "path.png")
数据分析学习笔记(四)-使用NetworkX进行数据分析的实例
