我的样本数据集以CSV格式呈现如下。
该无向图有90个节点，用数字{10、11、12……99}表示，它的边权重定义如下。
[样本数据]
node1 node2 weight
23 89 34.9 (i.e. there is an edge between node 23 and 89 with weight 34.9)
75 14 28.5
so on....
我希望能以网络形式展示这个问题。有哪些有效的方式可以表示它（例如Gephi、networkx等）。边的粗细应该代表边的权重。
import networkx as nx
G = nx.Graph()
G.add_edge(23, 89, weight=34.9)
G.add_edge(75, 14, weight=28.5)
pandas。 networkx有一个与pandas交互的有用方法，称为from_pandas_dataframe。 假设您的数据以上述格式存储在csv中，则此命令应该适用于您：df = pd.read_csv('path/to/file.csv', columns=['node1', 'node2', 'weight'])
但为了演示，我将使用符合您要求的10个随机边缘（您不需要导入numpy，我只是用它来生成随机数）：
import matplotlib as plt
import networkx as nx
import pandas as pd
#Generate Random edges and weights
import numpy as np
np.random.seed(0) # for reproducibility
w = np.random.rand(10) # weights 0-1
node1 = np.random.randint(10,19, (10)) # I used 10-19 for demo
node2 = np.random.randint(10,19, (10))
df = pd.DataFrame({'node1': node1, 'node2': node2, 'weight': w}, index=range(10))
pd.read_csv命令生成相同。 这将导致此DataFrame，df: node1 node2 weight
0 16 13 0.548814
1 17 15 0.715189
2 17 10 0.602763
3 18 12 0.544883
4 11 13 0.423655
5 15 18 0.645894
6 18 11 0.437587
7 14 13 0.891773
8 13 13 0.963663
9 10 13 0.383442
from_pandas_dataframe初始化MultiGraph。这假设您将有多个边连接到一个节点（未在OP中指定）。要使用此方法，您将需要在convert_matrix.py文件中对networkx源代码进行简单更改，实现 这里（它是一个简单的错误）。MG = nx.from_pandas_dataframe(df,
'node1',
'node2',
edge_attr='weight',
create_using=nx.MultiGraph()
)
这将生成您的MultiGraph，您可以使用draw来可视化它:
positions = nx.spring_layout(MG) # saves the positions of the nodes on the visualization
# pass positions and set hold=True
nx.draw(MG, pos=positions, hold=True, with_labels=True, node_size=1000, font_size=16)
positions 是一个字典，其中每个节点都是一个键，其值是图表上的位置。我将在下面说明为什么我们存储 positions。通用的 draw 将使用指定的 positions 在你的 MultiGraph 实例 MG 上绘制节点。然而，正如你所看到的，边缘的宽度都是相同的：
但是你已经拥有了添加权重所需的一切。首先将权重放入名为 weights 的列表中。通过迭代（使用列表理解）每个边缘 edges，我们可以提取权重。我选择乘以5，因为它看起来最干净：
weights = [w[2]['weight']*5 for w in MG.edges(data=True)]
draw_networkx_edges，它仅绘制图的边缘（没有节点）。由于我们有节点的positions，并且我们设置了hold=True，我们可以在前面的可视化上直接绘制加权边缘。nx.draw_networkx_edges(MG, pos=positions, width=weights) #width can be array of floats
(14, 13) 在 DataFrame df中具有最重的线和最大的值（除了(13,13)）。
23;89;3.49
23;14;1.29
75;14;2.85
14;75;2.9
75;23;0.9
23;27;4.9
您可以使用这个程序：
import os
def build_G(csv_file):
#init graph dict
g={}
#here we open csv file
with open(csv_file,'r') as f:
cont=f.read()
#here we get field content
for line in cont.split('\n'):
if line != '':
fields=line.split(';')
#build origin node
if g.has_key(fields[0])==False:
g[fields[0]]={}
#build destination node
if g.has_key(fields[1])==False:
g[fields[1]]={}
#build edge origin>destination
if g[fields[0]].has_key(fields[1])==False:
g[fields[0]][fields[1]]=float(fields[2])
return g
def main():
#filename
csv_file="mynode.csv"
#build graph
G=build_G(csv_file)
#G is now a python dict
#G={'27': {}, '75': {'14': 2.85, '23': 0.9}, '89': {}, '14': {'75': 2.9}, '23': {'27': 4.9, '89': 3.49, '14': 1.29}}
#write to file
f = open('dotgraph.txt','w')
f.writelines('digraph G {\nnode [width=.3,height=.3,shape=octagon,style=filled,color=skyblue];\noverlap="false";\nrankdir="LR";\n')
f.writelines
for i in G:
for j in G[i]:
#get weight
weight = G[i][j]
s= ' '+ i
s += ' -> ' + j + ' [dir=none,label="' + str(G[i][j]) + '",penwidth='+str(weight)+',color=black]'
if s!=' '+ i:
s+=';\n'
f.writelines(s)
f.writelines('}')
f.close()
#generate graph image from graph text file
os.system("dot -Tjpg -omyImage.jpg dotgraph.txt")
main()
sudo apt-get install graphviz 进行安装。 - A. STEFANIs += ' -> ' + j + ' [label="' + str(G[i][j]) + '",penwidth='+str(weight)+',color=black]' 替换为 s += ' -> ' + j + ' [dir=none,label="' + str(G[i][j]) + '",penwidth='+str(weight)+',color=black]' 以去除方向。 - A. STEFANIdotgraph.txt文件在Windows上已经生成（看起来）正确，但是我找不到.png输出文件。如何让它在Windows上工作而不仅限于Linux？ - blacksite您应该编辑csv文件开头的行如下：
源节点 目标节点 类型 权重 23 89 无向 34.9 （即节点23和89之间有一条权重为34.9的边） 75 14 无向 28.5 等等....
之后，您可以将csv文件导入Gephi中，以表示图形，其中边的粗细代表权重，例如： 输入图像描述
Graph而不是MultiGraph，则完全删除create_using参数也可以正常工作。 - Kevin