Python：networkx

1 图类型创建

import networkx as nx

# 无向图
G = nx.Graph()
# 有向图
DG = nx.DiGraph()
# 多重图
MG = nx.MultiGraph()
# 多重有向图
MDG = nx.MultiDiGraph()

2 节点操作

添加/删除节点

G.add_node(node)                # 添加单个节点
G.add_nodes_from([n1, n2, n3]) # 添加多个节点
G.remove_node(node)            # 删除节点
G.remove_nodes_from([n1, n2])  # 删除多个节点
G.number_of_nodes()            # 节点数量

节点属性

G.nodes(data=True)             # 获取所有节点及属性
G.nodes[n]                     # 获取节点n的属性
G.nodes[n]['attr'] = value     # 设置节点属性

3 边操作

3.1 添加/删除边

G.add_edge(u, v)               # 添加边
G.add_edges_from([(u,v), (v,w)]) # 添加多条边
G.add_weighted_edges_from([(u,v,weight)]) # 带权重边
G.remove_edge(u, v)            # 删除边
G.remove_edges_from([(u,v)])   # 删除多条边
G.number_of_edges()            # 边数量

3.2 边属性

G.edges(data=True)             # 获取所有边及属性
G.edges[u, v]                  # 获取边属性
G[u][v]                        # 获取边属性（另一种方式）
G[u][v]['weight'] = 5         # 设置边权重

4 图信息查询

4.1 基本查询

G.order()                      # 节点数
G.size()                       # 边数
G.has_node(node)              # 检查节点是否存在
G.has_edge(u, v)              # 检查边是否存在
G.neighbors(node)             # 节点的邻居
G.degree(node)                # 节点的度
G.degree()                     # 所有节点的度
G.in_degree(node)             # 有向图入度
G.out_degree(node)            # 有向图出度

4.2 子图相关

G.subgraph([n1, n2, n3])      # 从节点创建子图
G.edge_subgraph([(u,v), (v,w)]) # 从边创建子图

5 遍历算法

5.1 搜索算法

nx.bfs_tree(G, source)        # BFS树
nx.dfs_tree(G, source)        # DFS树
nx.bfs_edges(G, source)       # BFS边遍历
nx.dfs_edges(G, source)       # DFS边遍历

5.2 路径查找

nx.shortest_path(G, source, target)          # 最短路径
nx.all_shortest_paths(G, source, target)     # 所有最短路径
nx.shortest_path_length(G, source, target)   # 最短路径长度
nx.average_shortest_path_length(G)           # 平均最短路径长度

6 图算法

6.1 连通性

nx.is_connected(G)              # 是否连通
nx.connected_components(G)      # 连通分量
nx.number_connected_components(G) # 连通分量数量
nx.node_connected_component(G, node) # 节点所在的连通分量

6.2 中心性度量

nx.degree_centrality(G)         # 度中心性
nx.betweenness_centrality(G)    # 介数中心性
nx.closeness_centrality(G)      # 接近中心性
nx.eigenvector_centrality(G)    # 特征向量中心性
nx.pagerank(G)                  # PageRank

6.3 聚类系数

nx.clustering(G)               # 节点聚类系数
nx.average_clustering(G)       # 平均聚类系数
nx.transitivity(G)             # 传递性

7 生成器函数

7.1 经典图

nx.complete_graph(n)          # 完全图
nx.path_graph(n)              # 路径图
nx.cycle_graph(n)             # 环图
nx.star_graph(n)              # 星图
nx.wheel_graph(n)             # 轮图
nx.grid_2d_graph(m, n)       # 二维网格

7.2 随机图

nx.erdos_renyi_graph(n, p)    # ER随机图
nx.watts_strogatz_graph(n, k, p) # WS小世界
nx.barabasi_albert_graph(n, m)  # BA无标度网络

8 图操作

图修改

G.to_undirected()            # 转为无向图
G.to_directed()              # 转为有向图
nx.complement(G)             # 补图
nx.reverse(G)               # 有向图反转

图合并

nx.union(G, H)              # 并集
nx.disjoint_union(G, H)     # 不相交并集
nx.compose(G, H)            # 组合
nx.cartesian_product(G, H)  # 笛卡尔积

9 可视化

nx.draw(G)                  # 基本绘图
nx.draw_networkx(G)         # 带标签绘图
nx.draw_spring(G)          # 使用spring布局
nx.draw_circular(G)        # 环形布局
nx.draw_random(G)          # 随机布局
nx.draw_spectral(G)        # 谱布局

10 文件I/O

nx.write_adjlist(G, "file.adjlist")      # 邻接列表
nx.read_adjlist("file.adjlist")
nx.write_edgelist(G, "file.edgelist")    # 边列表
nx.read_edgelist("file.edgelist")
nx.write_gml(G, "file.gml")             # GML格式
nx.read_gml("file.gml")
nx.write_graphml(G, "file.graphml")     # GraphML格式
nx.read_graphml("file.graphml")

11 高级功能

度量指标

nx.density(G)                # 图密度
nx.diameter(G)              # 直径
nx.radius(G)                # 半径
nx.eccentricity(G)          # 偏心距
nx.center(G)                # 中心节点
nx.periphery(G)             # 外围节点

匹配与流

nx.max_weight_matching(G)    # 最大权重匹配
nx.maximum_flow(G, s, t)     # 最大流
nx.minimum_cut(G, s, t)      # 最小割

这只是一部分常用方法，NetworkX库非常丰富。查看完整文档：

# 查看所有方法
dir(G)

# 查看具体方法的文档
help(G.add_node)

需要特定功能时，建议查阅官方文档。