图分析技能

使用Python和NetworkX分析图与网络。支持从数据构建图、运行图算法以及生成可视化结果。

环境配置

首次使用前，请安装依赖项：

bash
pip install networkx matplotlib numpy --break-system-packages

功能说明

1. 构建图

通过边列表、邻接矩阵、CSV文件或JSON数据创建图。

从边列表（CSV或内联数据）：
python
import networkx as nx

从包含列：source, target, weight（可选）的CSV文件读取

import csv G = nx.Graph() with open(edges.csv) as f: reader = csv.DictReader(f) for row in reader: weight = float(row.get(weight, 1.0)) G.add_edge(row[source], row[target], weight=weight)

从内联数据：
python
import networkx as nx
G = nx.Graph()
G.addedgesfrom([(A, B), (B, C), (A, C), (C, D)])

有向图：
python
G = nx.DiGraph()
G.addedgesfrom([(A, B), (B, C)])

2. 图度量指标

运行以下代码以回答关于图结构的问题：

python
import networkx as nx

基本统计信息

print(f节点数：{G.numberofnodes()}) print(f边数：{G.numberofedges()}) print(f密度：{nx.density(G):.4f}) print(f连通性：{nx.is_connected(G)})

中心性度量

degreecent = nx.degreecentrality(G) betweenness = nx.betweenness_centrality(G) closeness = nx.closeness_centrality(G) pagerank = nx.pagerank(G)

查找最重要的节点

topbydegree = sorted(degree_cent.items(), key=lambda x: x[1], reverse=True)[:10] topbybetweenness = sorted(betweenness.items(), key=lambda x: x[1], reverse=True)[:10] topbypagerank = sorted(pagerank.items(), key=lambda x: x[1], reverse=True)[:10]

print(按度中心性排名前10的节点：, topbydegree)
print(按介数中心性排名前10的节点：, topbybetweenness)
print(按PageRank排名前10的节点：, topbypagerank)

3. 最短路径

python

两个节点之间的最短路径

path = nx.shortest_path(G, source=A, target=D)
length = nx.shortestpathlength(G, source=A, target=D)
print(f路径：{ -> .join(path)}（长度：{length}）)

加权最短路径

pathw = nx.shortestpath(G, source=A, target=D, weight=weight)

所有节点对的最短路径长度

alllengths = dict(nx.allpairsshortestpath_length(G))

4. 社区检测

python
from networkx.algorithms.community import greedymodularitycommunities, louvain_communities

贪心模块度

communitiesgreedy = list(greedymodularity_communities(G)) print(f发现 {len(communities_greedy)} 个社区（贪心算法）)

Louvain算法（适用于大型图）

communitieslouvain = list(louvaincommunities(G)) print(f发现 {len(communities_louvain)} 个社区（Louvain算法）)

打印社区成员

for i, comm in enumerate(communities_louvain): print(f 社区 {i}：{sorted(comm)})

5. 可视化

将图的可视化结果保存为PNG图片：

python
import matplotlib
matplotlib.use(Agg)
import matplotlib.pyplot as plt
import networkx as nx

fig, ax = plt.subplots(figsize=(12, 8))

布局选项：springlayout, circularlayout, kamadakawailayout, shell_layout

pos = nx.spring_layout(G, seed=42)

根据度数设置节点大小

node_sizes = [300 * G.degree(n) for n in G.nodes()]

根据社区设置节点颜色（如果已计算社区）

nx.draw( G, pos, ax=ax, with_labels=True, nodesize=nodesizes, node_color=steelblue, edge_color=#cccccc, font_size=8, font_weight=bold, width=0.8, ) ax.set_title(图可视化) plt.tight_layout() plt.savefig(graph.png, dpi=150) plt.close() print(已保存 graph.png)

按社区着色：
python
import matplotlib
matplotlib.use(Agg)
import matplotlib.pyplot as plt
import networkx as nx
from networkx.algorithms.community import louvain_communities

communities = list(louvain_communities(G))
color_map = {}
for i, comm in enumerate(communities):
for node in comm:
color_map[node] = i

nodecolors = [colormap[n] for n in G.nodes()]
pos = nx.spring_layout(G, seed=42)

fig, ax = plt.subplots(figsize=(12, 8))
nx.draw(
G, pos, ax=ax,
with_labels=True,
nodecolor=nodecolors,
cmap=plt.cm.Set3,
node_size=500,
edge_color=#cccccc,
font_size=8,
)
ax.set_title(社区分布)
plt.tight_layout()
plt.savefig(communities.png, dpi=150)
plt.close()
print(已保存 communities.png)

6. 图生成器（用于测试或模拟）

python
import networkx as nx

常用测试图

G = nx.karateclubgraph() # 经典社交网络（34个节点） G = nx.barabasialbertgraph(100, 3) # 无标度网络 G = nx.erdosrenyigraph(50, 0.1) # 随机图 G = nx.wattsstrogatzgraph(30, 4, 0.3) # 小世界网络

使用场景

当用户提出以下需求时使用此技能：

• - 分析数据中的关系、连接或网络结构
• 查找网络中重要/核心/有影响力的节点
• 检测图中的社区或聚类
• 查找实体之间的最短路径
• 可视化网络或关系图
• 从CSV、JSON或其他结构化数据构建图
• 运行图算法（PageRank、中心性、聚类系数等）

注意事项

• - 对于大型图（超过10,000个节点），优先使用louvaincommunities而非greedymodularity_communities
• 在导入pyplot之前始终使用matplotlib.use(Agg)（无显示服务器环境）
• 将可视化结果保存为PNG文件并展示给用户
• 读取用户数据时，根据上下文推断源/目标列——常见模式包括：from/to、source/target、node1/node2、parent/child