spring_layout
非常适合绘制社区。如果你需要突出节点(和它们所属的社区),我建议你:
选择不同颜色的不同社区(颜色越不同,就越好)
增加节点的大小
将边缘设为浅灰色(这样图表看起来更整洁,节点在视觉上更加突出)。
如果你选择了 spring_layout
,你还可以通过调整 k
参数进行实验(文档中写到:增大此值可使节点相距更远)。请注意,spring_layout
每次运行代码都会给出不同的图像(这样你就可以多次运行代码,并仅在满意结果时保存图像)。
在下面的示例中,我使用默认图 (nx.karate_club_graph
),并使用python-louvain
包(导入为community
)自动检测社区。节点大小是用nx.draw_networkx_nodes
中的node_size
参数定义的。节点颜色取决于它们所属的社区-我使用plt.cm.RdYlBu
颜色映射(在这里可以看到更多颜色映射)。请注意,你还可以通过在plt.figure
中定义更大或更小的图像来影响节点大小(和边缘长度)。
import networkx as nx
import community
import matplotlib.pyplot as plt
G = nx.karate_club_graph() # load a default graph
partition = community.best_partition(G) # compute communities
pos = nx.spring_layout(G) # compute graph layout
plt.figure(figsize=(8, 8)) # image is 8 x 8 inches
plt.axis('off')
nx.draw_networkx_nodes(G, pos, node_size=600, cmap=plt.cm.RdYlBu, node_color=list(partition.values()))
nx.draw_networkx_edges(G, pos, alpha=0.3)
plt.show(G)
输出结果(我运行了多次代码并选择了“最美”的图像):
但是如果你有一个更大的图形,而且社区不太明显怎么办?这里有一个更复杂的图形,有100个节点和100个随机边(因此有随机社区),但采用相同的绘图方法:
import networkx as nx
import community
import matplotlib.pyplot as plt
import random
H = nx.Graph()
nodes = list(range(100)) # 100 nodes
# add 100 random edges
for i in range(100):
src = random.choice(nodes)
dest = random.choice(nodes)
# we don't want src to be the same as dest
while src == dest:
dest = random.choice(nodes)
H.add_edge(src, dest)
partition = community.best_partition(H) # compute communities
pos = nx.spring_layout(H) # compute graph layout
plt.figure(figsize=(10, 10))
plt.axis('off')
nx.draw_networkx_nodes(H, pos, node_size=600, cmap=plt.cm.RdYlBu, node_color=list(partition.values()))
nx.draw_networkx_edges(H, pos, alpha=0.3)
plt.show(H)
输出:
从上图中我们无法看出清晰的社区。以下是你至少可以选择三种方法:
手动定义图形布局(节点坐标/位置) (pos
在我的代码中),
尝试使用不同的布局方式 (可在这里找到) 以及
为每个社区准备一张图片 (或者至少是最重要的社区)。
如果您选择第三个选项,您可以将一个突出显示的社区的节点比其他节点更大(当然也是不同颜色)。您还可以改变该社区中边缘的颜色和粗细(在下面的示例中未显示)。
node_size = []
# first community against the others
for node, community in partition.items():
if community == 1:
node_size.append(900)
else:
partition[node] = 0 # I put all the other communities in one communitiy
node_size.append(300)
plt.figure(figsize=(10, 10))
plt.axis('off')
nodes = nx.draw_networkx_nodes(H, pos, node_size=node_size, cmap=plt.cm.winter, node_color=list(partition.values()))
nx.draw_networkx_edges(H, pos, alpha=0.3)
plt.show(H)
输出 (仅突出显示第一个社区):
如果您有多张同一图形的图片,建议所有节点在这些图片中位置相同(需要在绘图之间保持相同的 pos
)。这样,这些图片就更加可比较。