networkx

NetworkX

概述

NetworkX 是一个 Python 包，用于创建、操作和分析复杂网络与图。在处理网络或图数据结构时使用此技能，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。

此技能面向 NetworkX 3.x（当前稳定版本：3.6，要求 Python >= 3.11）。多个 3.0 之前的 API（nx.info、nx.write_gpickle、nx.read_shp）以及 3.4 时代的 nx.random_tree 已不复存在；此技能中均使用了当前的替代方案。

何时使用此技能

在任务涉及以下内容时调用此技能：

• 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、检测社区、测量聚类
• 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：读写各种格式（边列表、GraphML、JSON、CSV、邻接矩阵）
• 可视化：使用 matplotlib 或交互式库绘制并自定义网络可视化图
• 网络比较：检查同构性、计算图指标、分析结构属性

核心功能

1. 图的创建与操作

NetworkX 支持四种主要图类型：

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

可通过以下方式创建图：

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：请参阅 references/graph-basics.md，了解创建、修改、检查和管理图结构的全面指南，包括属性和子图的使用。

2. 图算法

NetworkX 提供了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)

社区检测：

from networkx.algorithms import community

# Detect communities
communities = community.greedy_modularity_communities(G)

连通性：

# Check connectivity
is_connected = nx.is_connected(G)

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

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

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 (random_tree was removed in NetworkX 3.4)
G = nx.random_labeled_tree(100, seed=42)

参考：请参阅 references/generators.md，全面了解所有图生成器，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。

4. 图的读写

NetworkX 支持多种文件格式和数据源：

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 (node-link format; edge list is stored under the "edges" key
# since NetworkX 3.6 — older files may use "links", see references/io.md)
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：请参阅 references/io.md，了解所有 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。

5. 可视化

创建清晰且信息丰富的网络可视化图：

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：请参阅 references/visualization.md，了解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 创建交互式可视化图、3D 网络，以及制作出版级质量的图表。

使用 NetworkX

安装

确保已安装 NetworkX：

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

# Install if needed (via bash)
# uv pip install networkx
# uv pip install networkx[default]  # With optional dependencies

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，尤其是在计算最小值或最大值时。

内存与性能：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（大型稀疏图可使用稀疏矩阵）
• 考虑仅加载必要的子图
• 使用高效的文件格式（Python 对象可使用 pickle，或使用压缩格式）
• 对于超大型网络，采用近似算法（例如，在中心性计算中使用 k 参数）
• 对于繁重的工作负载，NetworkX 3.x 支持通过 backend= 关键字或 nx.config.backend_priority 使用可直接替换的加速后端，例如 nx-cugraph（GPU）、nx-parallel（多核）和 graphblas-algorithms（稀疏线性代数）。安装后端包，并在支持的函数中传入 backend="cugraph"（或类似值）；无需更改算法代码。

节点与边的类型：

• 节点可以是任何可哈希的 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：为确保随机图生成和力导向布局的结果可复现，请始终设置随机种子：

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 I/O 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

全面介绍图生成器，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

以各种格式读取和写入图的完整指南：边列表、邻接列表、GraphML、GML、JSON、CSV、Pandas DataFrame、NumPy 数组、SciPy 稀疏矩阵、数据库集成和格式选择指南。

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、二部图布局以及制作适用于出版的图表。

其他资源

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

Agent 操作流程

1. 检查环境。 确认 Python 环境和库版本（python -c "import pkg; print(pkg.__version__)"），并检查数据的形状、类型和缺失值。
2. 明确输入。 根据数据或用户确认格式、标识符和参数。任何会影响结果的值都应询问，不要猜测。
3. 先运行小规模版本。 先在样本或单个折上运行，并检查运行时间和内存。
4. 按照上述说明和参考资料执行完整任务。
5. 验证结果。 使用留出数据、固定随机种子和适当的指标；检查是否存在数据泄漏；报告不确定性（置信区间、不同随机种子下的标准差）。
6. 报告。 说明运行了什么（版本、命令、参数）、检查了什么，以及仍有哪些不确定之处。

如果发生这种情况	请这样做
内存不足或执行非常缓慢	进行子采样，使用分块或惰性计算，或缩小模型规模，并告知用户所做的更改。
这些说明中的函数、标志或端点在已安装的版本中不存在	查阅已安装版本自己的文档（help()、--help、官方文档），进行适配，并告知用户。切勿编造 API。
必需的输入、标识符或参数不明确	询问用户，或在运行前明确说明假设。

诚信规则

• 切勿捏造结果、参数、标识符、引用或统计数据。如果无法运行或验证某项内容，请如实说明。
• 切勿报告本次会话中未计算的指标；应展示生成每个数值的代码路径。
• 将此处与特定版本相关的细节视为可能已过时：请根据已安装版本的官方文档确认。
• 对于需要付费、占用共享 GPU 或云配额、涉及个人或患者数据，或无法撤销的操作，执行前必须征得同意。

相关技能

• torch-geometric：用于图神经网络的 PyTorch Geometric（PyG）——节点／链接／图分类、消息传递（GCN、GAT、GraphSAGE、GIN）、异构图……
• research-knowledge-graph：将书目或文献语料转化为包含论文、作者、出版物、主题和引用链接的知识图谱，然后进行分析（引文……）