Networkx 可视化

# NetworkX 图可视化 ## 使用 Matplotlib 进行基础绘图 ### 简单可视化 python import networkx as nx import matplotlib.pyplot as plt # 创建并绘制图 G = nx.karate_club_graph() nx.draw(G) plt.show() # 保存到文件 nx.draw(G) plt.savefig('graph.png', dpi=300, bbox_inches='tight') plt.close() ### 带标签绘图 python # 绘制带节点标签的图 nx.draw(G, with_labels=True) plt.show() # 自定义标签 labels = {i: f"Node {i}" for i in G.nodes()} nx.draw(G, labels=labels, with_labels=True) plt.show() ## 布局算法 ### 弹簧布局 (力导向) python # Fruchterman-Reingold 力导向算法 pos = nx.spring_layout(G, seed=42) nx.draw(G, pos=pos, with_labels=True) plt.show() # 带参数 pos = nx.spring_layout(G, k=0.5, iterations=50, seed=42) ### 圆形布局 python # 将节点排列成圆形 pos = nx.circular_layout(G) nx.draw(G, pos=pos, with_labels=True) plt.show() ### 随机布局 python # 随机定位 pos = nx.random_layout(G, seed=42) nx.draw(G, pos=pos, with_labels=True) plt.show() ### 外壳布局 python # 同心圆 pos = nx.shell_layout(G) nx.draw(G, pos=pos, with_labels=True) plt.show() # 自定义外壳 shells = [[0, 1, 2], [3, 4, 5, 6], [7, 8, 9]] pos = nx.shell_layout(G, nlist=shells) ### 谱布局 python # 使用图拉普拉斯矩阵的特征向量 pos = nx.spectral_layout(G) nx.draw(G, pos=pos, with_labels=True) plt.show() ### Kamada-Kawai 布局 python # 基于能量的布局 pos = nx.kamada_kawai_layout(G) nx.draw(G, pos=pos, with_labels=True) plt.show() ### 平面布局 python # 仅适用于平面图 if nx.is_planar(G): pos = nx.planar_layout(G) nx.draw(G, pos=pos, with_labels=True) plt.show() ### 树状布局 python # 适用于树图 if nx.is_tree(G): pos = nx.nx_agraph.graphviz_layout(G, prog='dot') nx.draw(G, pos=pos, with_labels=True) plt.show() ## 自定义节点外观 ### 节点颜色 python # 单一颜色 nx.draw(G, node_color='red') # 每个节点不同颜色 node_colors = ['red' if G.degree(n) > 5 else 'blue' for n in G.nodes()] nx.draw(G, node_color=node_colors) # 按属性着色 colors = [G.nodes[n].get('value', 0) for n in G.nodes()] nx.draw(G, node_color=colors, cmap=plt.cm.viridis) plt.colorbar() plt.show() ### 节点大小 python # 按度数调整大小 node_sizes = [100 * G.degree(n) for n in G.nodes()] nx.draw(G, node_size=node_sizes)