alterlab-networkx

NetworkX

概述

NetworkX 是一个用于创建、操作和分析复杂网络与图的 Python 软件包。处理网络或图数据结构时，请使用此技能，包括社交网络、生物网络、交通系统、引文网络、知识图谱，或任何涉及实体间关系的系统。

何时使用此技能

当任务涉及以下内容时，请调用此技能：

• 创建图：根据数据构建网络结构，添加带属性的节点和边
• 图分析：计算中心性指标、查找最短路径、检测社群、衡量聚类
• 图算法：运行 Dijkstra、PageRank、最小生成树、最大流等标准算法
• 网络生成：创建合成网络（随机、无标度、小世界模型），用于测试或模拟
• 图 I/O：从各种格式（边列表、GraphML、JSON、CSV、邻接矩阵）读取或写入数据
• 可视化：使用 matplotlib 或交互式库绘制并自定义网络可视化
• 网络比较：检查同构性、计算图指标、分析结构属性

不适用的情况

场景	改用
训练图神经网络（GCN/GAT、消息传递、基于 Cora 风格数据的节点分类）	alterlab-torch-geometric
为社会科学研究选择并论证社交网络指标，或拟合 ERGM	alterlab-sna
围绕 OpenAlex 中的种子论文构建引文／共引网络	alterlab-citation-graph

核心能力

1. 图的创建与操作

NetworkX 支持四种主要图类型：

• Graph：带有单条边的无向图
• DiGraph：带有单向连接的有向图
• MultiGraph：允许节点间存在多条边的无向图
• MultiDiGraph：带有多条边的有向图

创建图的方式：

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')

参考：有关创建、修改、检查和管理图结构的全面指南（包括使用属性和子图），请参阅 references/graph-basics.md。

2. 图算法

NetworkX 提供丰富的网络分析算法：

最短路径：

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

中心性指标：

# Degree centrality
degree_cent = nx.degree_centrality(G)

# Betweenness centrality
betweenness = nx.betweenness_centrality(G)

# PageRank
pagerank = nx.pagerank(G)

社群检测：

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

连通性：

# Check connectivity
is_connected = nx.is_connected(G)

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

参考：所有可用算法的详细文档（包括最短路径、中心性指标、聚类、社群检测、流、匹配、树算法和图遍历），请参阅 references/algorithms.md。

3. 图生成器

创建合成网络，用于测试、模拟或建模：

经典图：

# 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()

随机网络：

# 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)

结构化网络：

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

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

参考：有关所有图生成器的全面介绍（包括经典、随机、格、二分图和专用网络模型，以及详细参数和使用场景），请参阅 references/generators.md。

4. 读取和写入图

NetworkX 支持众多文件格式和数据源：

文件格式：

# 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 集成：

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)

矩阵格式：

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)

参考：所有 I/O 格式的完整文档（包括 CSV、SQL 数据库、Cytoscape、DOT，以及针对不同使用场景选择格式的指南），请参阅 references/io.md。

5. 可视化

创建清晰且信息丰富的网络可视化：

基础可视化：

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()

自定义：

# 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)

布局算法：

# 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)

出版级质量：

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

参考：有关可视化技术的详尽文档（包括布局算法、自定义选项、使用 Plotly 和 PyVis 创建交互式可视化、3D 网络，以及制作出版级图表），请参阅 references/visualization.md。

使用 NetworkX

安装

此处的示例适用于 NetworkX 3.x（截至 2026-09 的当前版本为 3.7）。3.0 移除了一些 API — nx.info、nx.write_gpickle/nx.read_gpickle、nx.read_shp/nx.write_shp、 nx.graph_clique_number — 并且 nx.random_tree 已被 nx.random_labeled_tree 替代；相关参考文档中注明了替代项。NetworkX 3.7 新增了原生 Leiden 算法（nx.community.leiden_communities），使 maximal_independent_set 返回集合， 并弃用了 bfs_predecessors（将在 3.9 中移除）。自 3.6 起，node_link_data 会将 边写入键 "edges" 下（旧的 link= 关键字已移除；传入 edges="links" 可生成 d3 风格的 JSON）。

# 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

常见工作流模式

大多数 NetworkX 任务都遵循以下模式：

1. 创建或加载图：

   # 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. 检查结构：

   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：

   # 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. 可视化：

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

5. 导出结果：

   # 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)
   

重要注意事项

浮点精度：当图中包含浮点数时，由于精度限制，所有结果本质上都是近似值。这可能会影响算法结果，尤其是在求最小值或最大值时。

内存和性能：每次运行脚本时，都必须将图数据加载到内存中。对于大型网络：

• 使用合适的数据结构（大型稀疏图使用稀疏矩阵）
• 考虑只加载必要的子图
• 使用高效的文件格式（Python 对象使用 pickle，或使用压缩格式）
• 对于非常大的网络，利用近似算法（例如，中心性计算中的 k 参数）

节点和边的类型：

• 节点可以是任意可哈希的 Python 对象（数字、字符串、元组、自定义对象）
• 使用有意义的标识符以便于理解
• 移除节点时，其所有关联边都会自动移除

随机种子：生成随机图和使用力导向布局时，务必设置随机种子以确保结果可复现：

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

快速参考

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()

核心算法

# 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)

文件输入/输出快速参考

# 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)

资源

此技能包含全面的参考文档：

references/graph-basics.md

图类型、创建和修改图、添加节点和边、管理属性、检查结构以及使用子图的详细指南。

references/algorithms.md

全面介绍 NetworkX 算法，包括最短路径、中心性度量、连通性、聚类、社区检测、流算法、树算法、匹配、着色、同构和图遍历。

references/generators.md

图生成器的全面文档，包括经典图、随机模型（Erdős-Rényi、Barabási-Albert、Watts-Strogatz）、格、树、社交网络模型和专用生成器。

references/io.md

各种格式的图读写完整指南：边列表、邻接列表、GraphML、GML、JSON、CSV、Pandas DataFrame、NumPy 数组、SciPy 稀疏矩阵、数据库集成以及格式选择指南。

references/visualization.md

可视化技术的详尽文档，包括布局算法、自定义节点和边的外观、标签、使用 Plotly 和 PyVis 创建交互式可视化、3D 网络、二分图布局以及制作适合出版的图表。

其他资源

• 官方文档：https://networkx.org/documentation/latest/
• 教程：https://networkx.org/documentation/latest/tutorial.html
• 示例集：https://networkx.org/documentation/latest/auto_examples/index.html
• GitHub：https://github.com/networkx/networkx