alterlab-networkx

NetworkX

概要

NetworkX は、複雑なネットワークやグラフの作成、操作、分析を行うための Python パッケージです。ソーシャルネットワーク、生物ネットワーク、交通システム、引用ネットワーク、ナレッジグラフなど、エンティティ間の関係を含むネットワークやグラフのデータ構造を扱う場合に、このスキルを使用します。

このスキルを使用する場面

次のタスクでは、このスキルを呼び出してください。

• グラフの作成：データからネットワーク構造を構築し、属性を持つノードとエッジを追加する
• グラフ分析：中心性指標の計算、最短経路の探索、コミュニティの検出、クラスタリングの測定
• グラフアルゴリズム：ダイクストラ法、PageRank、最小全域木、最大フローなどの標準的なアルゴリズムの実行
• ネットワークの生成：テストやシミュレーション用の合成ネットワーク（ランダム、スケールフリー、小世界モデル）の作成
• グラフの入出力：さまざまな形式（エッジリスト、GraphML、JSON、CSV、隣接行列）の読み込みや書き込み
• 可視化：matplotlib や対話型ライブラリを使ったネットワーク可視化の描画とカスタマイズ
• ネットワークの比較：同型性の確認、グラフ指標の計算、構造的特性の分析

対象外

シナリオ	代わりに使用
グラフニューラルネットワーク（GCN/GAT、メッセージパッシング、Cora 形式のデータを使ったノード分類）のトレーニング	alterlab-torch-geometric
社会科学研究におけるソーシャルネットワーク指標の選択と根拠の提示、または ERGM の適合	alterlab-sna
OpenAlex のシード論文を基にした引用／共引用ネットワークの構築	alterlab-citation-graph

主な機能

1. グラフの作成と操作

NetworkX は、次の 4 種類の主要なグラフをサポートしています。

• Graph：単一エッジを持つ無向グラフ
• DiGraph：一方向の接続を持つ有向グラフ
• MultiGraph：ノード間の複数のエッジを許可する無向グラフ
• MultiDiGraph：複数のエッジを持つ有向グラフ

次の方法でグラフを作成します。

import networkx as nx

# Create empty graph
G = nx.Graph()

# Add nodes (can be any hashable type)
G.add_node(1)
G.add_nodes_from([2, 3, 4])
G.add_node("protein_A", type='enzyme', weight=1.5)

# Add edges
G.add_edge(1, 2)
G.add_edges_from([(1, 3), (2, 4)])
G.add_edge(1, 4, weight=0.8, relation='interacts')

リファレンス：グラフ構造の作成、変更、確認、管理についての包括的なガイダンス（属性や部分グラフの操作を含む）は、references/graph-basics.md を参照してください。

2. グラフアルゴリズム

NetworkX は、ネットワーク分析用の幅広いアルゴリズムを提供しています。

最短経路：

# Find shortest path
path = nx.shortest_path(G, source=1, target=5)
length = nx.shortest_path_length(G, source=1, target=5, weight='weight')

中心性指標：

# Degree centrality
degree_cent = nx.degree_centrality(G)

# Betweenness centrality
betweenness = nx.betweenness_centrality(G)

# PageRank
pagerank = nx.pagerank(G)

コミュニティ検出：

from networkx.algorithms import community

# Detect communities
communities = community.greedy_modularity_communities(G)
communities = community.louvain_communities(G, seed=42)
communities = community.leiden_communities(G, metric='modularity', seed=42)  # NetworkX >= 3.7

連結性：

# Check connectivity
is_connected = nx.is_connected(G)

# Find connected components
components = list(nx.connected_components(G))

リファレンス：最短経路、中心性指標、クラスタリング、コミュニティ検出、フロー、マッチング、木のアルゴリズム、グラフ探索など、利用可能なすべてのアルゴリズムの詳細については、references/algorithms.md を参照してください。

3. グラフジェネレーター

テスト、シミュレーション、モデリング用の合成ネットワークを作成します。

古典的なグラフ：

# Complete graph
G = nx.complete_graph(n=10)

# Cycle graph
G = nx.cycle_graph(n=20)

# Known graphs
G = nx.karate_club_graph()
G = nx.petersen_graph()

ランダムネットワーク：

# Erdős-Rényi random graph
G = nx.erdos_renyi_graph(n=100, p=0.1, seed=42)

# Barabási-Albert scale-free network
G = nx.barabasi_albert_graph(n=100, m=3, seed=42)

# Watts-Strogatz small-world network
G = nx.watts_strogatz_graph(n=100, k=6, p=0.1, seed=42)

構造化ネットワーク：

# Grid graph
G = nx.grid_2d_graph(m=5, n=7)

# Random tree
G = nx.random_labeled_tree(n=100, seed=42)

リファレンス：古典的、ランダム、格子、二部グラフ、特殊なネットワークモデルなど、すべてのグラフジェネレーターを網羅した包括的な解説と、詳細なパラメーターやユースケースについては、references/generators.md を参照してください。

4. グラフの読み込みと書き込み

NetworkX は、さまざまなファイル形式やデータソースをサポートしています。

ファイル形式：

# Edge list
G = nx.read_edgelist('graph.edgelist')
nx.write_edgelist(G, 'graph.edgelist')

# GraphML (preserves attributes)
G = nx.read_graphml('graph.graphml')
nx.write_graphml(G, 'graph.graphml')

# GML
G = nx.read_gml('graph.gml')
nx.write_gml(G, 'graph.gml')

# JSON
data = nx.node_link_data(G)
G = nx.node_link_graph(data)

Pandas との連携：

import pandas as pd

# From DataFrame
df = pd.DataFrame({'source': [1, 2, 3], 'target': [2, 3, 4], 'weight': [0.5, 1.0, 0.75]})
G = nx.from_pandas_edgelist(df, 'source', 'target', edge_attr='weight')

# To DataFrame
df = nx.to_pandas_edgelist(G)

行列形式：

import numpy as np

# Adjacency matrix
A = nx.to_numpy_array(G)
G = nx.from_numpy_array(A)

# Sparse matrix
A = nx.to_scipy_sparse_array(G)
G = nx.from_scipy_sparse_array(A)

リファレンス：CSV、SQL データベース、Cytoscape、DOT などのすべての入出力形式の詳細と、ユースケースに応じた形式選択のガイダンスについては、references/io.md を参照してください。

5. 可視化

明確で有益なネットワーク可視化を作成します。

基本的な可視化：

import matplotlib.pyplot as plt

# Simple draw
nx.draw(G, with_labels=True)
plt.show()

# With layout
pos = nx.spring_layout(G, seed=42)
nx.draw(G, pos=pos, with_labels=True, node_color='lightblue', node_size=500)
plt.show()

カスタマイズ：

# Color by degree
node_colors = [G.degree(n) for n in G.nodes()]
nx.draw(G, node_color=node_colors, cmap=plt.cm.viridis)

# Size by centrality
centrality = nx.betweenness_centrality(G)
node_sizes = [3000 * centrality[n] for n in G.nodes()]
nx.draw(G, node_size=node_sizes)

# Edge weights
edge_widths = [3 * G[u][v].get('weight', 1) for u, v in G.edges()]
nx.draw(G, width=edge_widths)

レイアウトアルゴリズム：

# Spring layout (force-directed)
pos = nx.spring_layout(G, seed=42)

# Circular layout
pos = nx.circular_layout(G)

# Kamada-Kawai layout
pos = nx.kamada_kawai_layout(G)

# Spectral layout
pos = nx.spectral_layout(G)

出版品質：

plt.figure(figsize=(12, 8))
pos = nx.spring_layout(G, seed=42)
nx.draw(G, pos=pos, node_color='lightblue', node_size=500,
        edge_color='gray', with_labels=True, font_size=10)
plt.title('Network Visualization', fontsize=16)
plt.axis('off')
plt.tight_layout()
plt.savefig('network.png', dpi=300, bbox_inches='tight')
plt.savefig('network.pdf', bbox_inches='tight')  # Vector format

リファレンス：レイアウトアルゴリズム、カスタマイズオプション、Plotly や PyVis を使った対話型可視化、3D ネットワーク、出版品質の図の作成など、可視化手法の詳細については、references/visualization.md を参照してください。

NetworkX の使用方法

インストール

ここでの例は NetworkX 3.x（2026-09 時点の最新バージョン 3.7）を対象としています。いくつかの API は 3.0 で削除されました — nx.info、nx.write_gpickle/nx.read_gpickle、nx.read_shp/nx.write_shp、 nx.graph_clique_number — また、nx.random_tree は nx.random_labeled_tree に置き換えられています。参照ドキュメントには置き換え後の API が記載されています。NetworkX 3.7 ではネイティブの Leiden（nx.community.leiden_communities）が追加され、maximal_independent_set はセットを返すようになり、bfs_predecessors は非推奨になりました（3.9 で削除予定）。3.6 以降、node_link_data はエッジをキー "edges" の下に書き込みます（旧 link= キーワードは廃止されています。d3 スタイルの JSON を生成するには edges="links" を渡してください）。

# Check installed version
import networkx as nx
print(nx.__version__)

# Install if needed
uv pip install networkx
uv pip install 'networkx[default]'   # adds numpy/scipy/pandas/matplotlib extras

一般的なワークフローパターン

NetworkX のタスクの多くは、次のパターンに従います。

1. グラフを作成または読み込む：

   # From scratch
   G = nx.Graph()
   G.add_edges_from([(1, 2), (2, 3), (3, 4)])
   
   # Or load from file/data
   G = nx.read_edgelist('data.txt')
   

2. 構造を調べる：

   print(f"Nodes: {G.number_of_nodes()}")
   print(f"Edges: {G.number_of_edges()}")
   print(f"Density: {nx.density(G)}")
   print(f"Connected: {nx.is_connected(G)}")
   

3. 分析する：

   # Compute metrics
   degree_cent = nx.degree_centrality(G)
   avg_clustering = nx.average_clustering(G)
   
   # Find paths
   path = nx.shortest_path(G, source=1, target=4)
   
   # Detect communities
   communities = community.greedy_modularity_communities(G)
   

4. 可視化する：

   pos = nx.spring_layout(G, seed=42)
   nx.draw(G, pos=pos, with_labels=True)
   plt.show()
   

5. 結果をエクスポートする：

   # Save graph
   nx.write_graphml(G, 'analyzed_network.graphml')
   
   # Save metrics
   df = pd.DataFrame({
       'node': list(degree_cent.keys()),
       'centrality': list(degree_cent.values())
   })
   df.to_csv('centrality_results.csv', index=False)
   

重要な注意事項

浮動小数点精度：グラフに浮動小数点数が含まれる場合、精度の限界によりすべての結果は本質的に近似値となります。これはアルゴリズムの結果に影響することがあり、特に最小値／最大値の計算で顕著です。

メモリとパフォーマンス：スクリプトを実行するたびに、グラフデータをメモリに読み込む必要があります。大規模なネットワークでは、次の点を考慮してください。

• 適切なデータ構造を使用する（大規模で疎なグラフには疎行列を使用する）
• 必要なサブグラフだけを読み込む
• 効率的なファイル形式を使用する（Python オブジェクトには pickle、圧縮形式など）
• 非常に大規模なネットワークでは近似アルゴリズムを活用する（例：中心性計算の k パラメーター）

ノードとエッジの型：

• ノードには、ハッシュ可能な任意の Python オブジェクトを使用できます（数値、文字列、タプル、カスタムオブジェクトなど）
• 分かりやすいように、意味のある識別子を使用します
• ノードを削除すると、接続されているすべてのエッジも自動的に削除されます

乱数シード：ランダムグラフの生成や力指向レイアウトで結果を再現できるよう、必ず乱数シードを設定してください。

G = nx.erdos_renyi_graph(n=100, p=0.1, seed=42)
pos = nx.spring_layout(G, seed=42)

クイックリファレンス

基本操作

# Create
G = nx.Graph()
G.add_edge(1, 2)

# Query
G.number_of_nodes()
G.number_of_edges()
G.degree(1)
list(G.neighbors(1))

# Check
G.has_node(1)
G.has_edge(1, 2)
nx.is_connected(G)

# Modify
G.remove_node(1)
G.remove_edge(1, 2)
G.clear()

主要なアルゴリズム

# Paths
nx.shortest_path(G, source, target)
nx.all_pairs_shortest_path(G)

# Centrality
nx.degree_centrality(G)
nx.betweenness_centrality(G)
nx.closeness_centrality(G)
nx.pagerank(G)

# Clustering
nx.clustering(G)
nx.average_clustering(G)

# Components
nx.connected_components(G)
nx.strongly_connected_components(G)  # Directed

# Community
community.greedy_modularity_communities(G)

ファイル入出力のクイックリファレンス

# Read
nx.read_edgelist('file.txt')
nx.read_graphml('file.graphml')
nx.read_gml('file.gml')

# Write
nx.write_edgelist(G, 'file.txt')
nx.write_graphml(G, 'file.graphml')
nx.write_gml(G, 'file.gml')

# Pandas
nx.from_pandas_edgelist(df, 'source', 'target')
nx.to_pandas_edgelist(G)

リソース

このスキルには、包括的なリファレンスドキュメントが含まれています。

references/graph-basics.md

グラフの種類、グラフの作成と変更、ノードとエッジの追加、属性の管理、構造の調査、サブグラフの操作について詳しく説明します。

references/algorithms.md

最短経路、中心性指標、連結性、クラスタリング、コミュニティ検出、フローアルゴリズム、木のアルゴリズム、マッチング、彩色、同型性、グラフ探索など、NetworkX のアルゴリズムを網羅しています。

references/generators.md

古典的なグラフ、ランダムモデル（Erdős-Rényi、Barabási-Albert、Watts-Strogatz）、格子、木、ソーシャルネットワークモデル、特殊なジェネレーターなど、グラフジェネレーターについて詳しく説明します。

references/io.md

エッジリスト、隣接リスト、GraphML、GML、JSON、CSV、Pandas DataFrame、NumPy 配列、SciPy 疎行列、データベース連携など、さまざまな形式でグラフを読み書きする方法と、形式の選択に関するガイドを網羅しています。

references/visualization.md

レイアウトアルゴリズム、ノードとエッジの外観のカスタマイズ、ラベル、Plotly と PyVis によるインタラクティブな可視化、3D ネットワーク、二部グラフのレイアウト、出版品質の図の作成など、可視化手法について詳しく説明します。

その他のリソース

• 公式ドキュメント：https://networkx.org/documentation/latest/
• チュートリアル：https://networkx.org/documentation/latest/tutorial.html
• ギャラリー：https://networkx.org/documentation/latest/auto_examples/index.html
• GitHub：https://github.com/networkx/networkx