NetworkX进阶
算法
近似和启发式
优化问题的图性质和启发式函数的近似。这些函数可以通过 from networkx.algorithms import approximation
连通性
节点连接的快速近似
| all_pairs_node_connectivity （g） [, nbunch, cutoff] ） |
计算所有节点对之间的节点连接 |
| local_node_connectivity \（G，源，目标[, …] ） |
计算源和目标之间的节点连接 |
| local_node_connectivity \（G，源，目标[, …] ） |
计算源和目标之间的节点连接 |
集团
用于计算大集团的函数。
| max_clique （g） |
找到最大的集团 |
| clique_removal （g） |
重复地从图表中删除组 |
| large_clique_size （g） |
在图表中找出一个大集团的规模 |
聚类
| average_clustering （g） [, trials, seed] ） |
估计G的平均聚类系数 |
独立集
独立集或稳定集是一个图中的一组顶点，其中没有两个是相邻的。也就是说，它是一组顶点i，因此对于i中的每两个顶点，都没有边连接这两个顶点。同样地，图中的每个边在i中最多有一个端点。独立集的大小是它包含的顶点数。
最大独立集是给定图G的最大独立集，其大小表示为 α(G) 是的。找到这样的集合的问题被称为最大独立集问题，并且是NP难优化问题。因此，不存在有效的算法来寻找图的最大独立集。
| maximum_independent_set （g） |
返回一个近似的最大独立集 |
边界
查找一组节点边界的例程。
边边界是一组边，每个边在一组给定的节点中只有一个端点（或者，在有向图中，源节点在集合中的一组边）。
| edge_boundary \（G，N按钮1[, nbunch2, data, …] ） |
返回的边缘边界 nbunch1 . |
| node_boundary \（G，N按钮1[, nbunch2] ） |
返回的节点边界 nbunch1 |
聚类
描述图形中三角形数目的算法
| triangles （g） [, nodes] |
计算三角形的数目 |
| transitivity （g） |
计算图的传递性，g中所有可能三角形的分数 |
| clustering （g） [, nodes, weight] ） |
计算节点的聚类系数 |
| average_clustering （g） [, nodes, weight, …] ） |
计算图G的平均聚类系数 |
| square_clustering （g） [, nodes] ） |
计算节点的平方聚类系数 |
| generalized_degree （g） [, nodes] ） |
计算节点的广义度 |
社区
计算和测量社区结构的功能。此类中的函数未导入顶级 networkx 命名空间。通过导入 networkx.algorithms.community 模块，然后访问作为属性的函数 community . 例如：
>>> import networkx as nx
>>> from networkx.algorithms import community
>>> G = nx.barbell_graph(5, 1)
>>> communities_generator = community.girvan_newman(G)
>>> top_level_communities = next(communities_generator)
>>> next_level_communities = next(communities_generator)
>>> sorted(map(sorted, next_level_communities))
[[0, 1, 2, 3, 4], [5], [6, 7, 8, 9, 10]]
双分区
用于计算Kernighan–Lin二部算法的函数
| kernighan_lin_bisection （g） [, partition, …] ） |
使用Kernighan–Lin算法将图划分为两个块 |
K集团
| k_clique_communities （g，k） [, cliques] ） |
利用渗透法在图中寻找K族群落 |
>>> from networkx.algorithms.community import k_clique_communities
>>> G = nx.complete_graph(5)
>>> K5 = nx.convert_node_labels_to_integers(G,first_label=2)
>>> G.add_edges_from(K5.edges())
>>> c = list(k_clique_communities(G, 4))
>>> sorted(list(c[0]))
[0, 1, 2, 3, 4, 5, 6]
>>> list(k_clique_communities(G, 6))
[]
基于模块化的社区
基于模块化的社区检测功能
| greedy_modularity_communities （g） [, weight] ） |
使用Clauset Newman-Moore贪婪的模块化最大化在图中查找社区 |
标签传播
标记传播社区检测算法
| asyn_lpa_communities （g） [, weight, seed] ） |
返回社区 G 由异步标签传播检测到 |
| label_propagation_communities （g） |
生成由标签传播确定的社区集 |
流动社区
用于社区检测的异步流体社区算法
| asyn_fluidc （g，k） [, max_iter, seed] ） |
返回社区 G 由流体社区算法检测 |
测量分区
测量分区质量的功能（进入社区）
| coverage \（G，分区） |
返回分区的覆盖率 |
| performance \（G，分区） |
返回分区的性能 |
通过中心性度量划分
基于中心性概念的计算社区功能
| girvan_newman （g） [, most_valuable_edge] ） |
使用girvan–newman方法在图中查找社区 |
正在验证分区
社区查找算法的助手函数
| is_partition \（G，社区） |
返回 True 如果 communities 是的节点的分区 G |
转换为其他数据格式或从其他数据格式转换
到NetworkX图形
用于将NetworkX图形转换为其他格式或从其他格式转换为其他格式的函数。
将数据转换为NetworkX图形的首选方法是通过图形构造函数。构造函数调用to-networkx-graph（）函数，该函数尝试猜测输入类型并自动转换。
| to_networkx_graph [数据] [, create_using, …] ） |
根据已知的数据结构制作NetworkX图 |
字典
| to_dict_of_dicts （g） [, nodelist, edge_data] ） |
将图形的邻接表示形式作为字典返回 |
| from_dict_of_dicts \（d） [, create_using, …] ） |
返回字典中的图表 |
列表
| to_dict_of_lists （g） [, nodelist] ） |
以列表字典的形式返回图形的邻接表示形式 |
| from_dict_of_lists \（d） [, create_using] ） |
返回列表字典中的图表 |
| to_edgelist （g） [, nodelist] ） |
返回图表中的边列表 |
| from_edgelist （EgGristor） [, create_using] ） |
返回边列表中的图形 |
矩阵
从numpy矩阵创建10节点随机图
>>> import numpy as np
>>> a = np.random.randint(0, 2, size=(10, 10))
>>> D = nx.DiGraph(a)
>>> D = nx.to_networkx_graph(a, create_using=nx.DiGraph)
| to_numpy_matrix （g） [, nodelist, dtype, order, …] ） |
以numpy矩阵的形式返回图形邻接矩阵 |
| to_numpy_array （g） [, nodelist, dtype, order, …] ） |
以numpy数组形式返回图形邻接矩阵 |
| to_numpy_recarray （g） [, nodelist, dtype, order] ） |
以numpy recarray形式返回图形邻接矩阵 |
| from_numpy_matrix （a） [, parallel_edges, …] ） |
返回numpy矩阵中的图形 |
| from_numpy_array （a） [, parallel_edges, …] ） |
返回numpy数组中的图形 |
scipy
| to_scipy_sparse_matrix （g） [, nodelist, dtype, …] ） |
以scipy稀疏矩阵的形式返回图形邻接矩阵 |
| from_scipy_sparse_matrix （a） [, …] ） |
从给定为scipy稀疏矩阵的邻接矩阵创建新图形 |
Pandas
| to_pandas_adjacency （g） [, nodelist, dtype, …] ） |
以熊猫数据帧的形式返回图形邻接矩阵 |
| from_pandas_adjacency （DF） [, create_using] ） |
返回熊猫数据帧中的图形 |
| to_pandas_edgelist （g） [, source, target, …] ） |
以熊猫数据帧的形式返回图形边缘列表 |
| from_pandas_edgelist （DF） [, source, target, …] ） |
从包含边缘列表的熊猫数据帧返回一个图表 |
绘图
NetworkX提供了图形可视化的基本功能，但其主要目标是启用图形分析，而不是执行图形可视化。
matplotlib
用matplotlib绘制网络
| draw （g） [, pos, ax] ） |
用matplotlib绘制图g |
| draw_networkx （g） [, pos, arrows, with_labels] ） |
使用matplotlib绘制图g |
| draw_networkx_nodes （G，POS） [, nodelist, …] ） |
绘制图G的节点 |
| draw_networkx_edges （G，POS） [, edgelist, …] ） |
绘制图G的边 |
| draw_networkx_labels （G，POS） [, labels, …] ） |
在图G上绘制节点标签 |
| draw_networkx_edge_labels （G，POS） [, …] ） |
绘制边缘标签 |
| draw_kamada_kawai \（g） * * ） |
用Kamada Kawai部队定向布局绘制图G |
| draw_planar \（g） * * ） |
用平面布局绘制平面网络图 |
| draw_random \（g） * * ） |
用随机布局绘制图G |
| draw_spectral \（g） * * ） |
用光谱二维布局绘制图G |
| draw_spring \（g） * * ） |
用弹簧布局绘制图G |
| draw_shell \（g） * * ） |
使用外壳布局绘制NetworkX图 |
图形布局
用于图形绘制的节点定位算法
| bipartite_layout \（g，节点） [, align, scale, …] ） |
将节点定位在两条直线上 |
| circular_layout （g） [, scale, center, dim] ） |
在圆上定位节点 |
| kamada_kawai_layout （g） [, dist, pos, weight, …] ） |
使用Kamada Kawai路径长度成本函数定位节点 |
| planar_layout （g） [, scale, center, dim] ） |
定位没有边缘交点的节点 |
| random_layout （g） [, center, dim, seed] ） |
在单位正方形内均匀随机定位节点 |
| rescale_layout （POS） [, scale] ） |
将缩放位置数组返回到所有轴中的（-scale，scale） |
| shell_layout （g） [, nlist, scale, center, dim] ） |
将节点定位在同心圆中 |
| spring_layout （g） [, k, pos, fixed, …] ） |
使用Fruchterman-Reingold力定向算法定位节点 |
| spectral_layout （g） [, weight, scale, center, dim] ） |
使用图拉普拉斯的特征向量定位节点 |
| spiral_layout （g） [, scale, center, dim, …] ） |
在螺旋布局中定位节点 |
