「Python数据分析」社会⽹络：networkx批量计算⽹络指标案例
案例
接下来是由合作⽹络中的边作为原始数据，计算各种⽹络指标的⼀个简单⽰例。
包括：⽣成⽹络图、计算指标、提取计算结果、存储五个基本步骤。有更多、更复杂的需求也都可以在这个框架基础上进⾏⼆次开发。#* 随便编的原始数据
edges =[['a','b',2],
['a','c',1],
['a','d',2],
['b','d',3],
['c','d',2]]
#* ⽣成⽹络图
G = nx.Graph()# 创建⼀个图
G.add_weighted_edges_from(edges)# 添加合作关系
#* 计算指标
centrality =[nx.degree_centrality(G),# 这些函数的返回值是字典
nx.closeness_centrality(G),
nx.betweenness_centrality(G),
nx.clustering(G),
nx.eigenvector_centrality(G)]
average_shortest_path = nx.average_shortest_path_length(G, weight='weight')# 这个函数的返回值是浮点值
#* 提取计算结果
results =[]
nodes = G.nodes()# 提取⽹络中节点列表 ['a', 'b', 'c', 'd']
for node in nodes:# 遍历所有节点，提取每个节点度中⼼性计算结果，并存储为[[节点1，结果],[节点2，结果],...]的形式
results.append([node,
centrality[0][node],
centrality[1][node],
centrality[2][node],
centrality[3][node],
centrality[4][node]])
#* 存储
with open("./test.csv","w",encoding="UTF-8",newline="")as csvfile: writer = csv.writer(csvfile)
writer.writerow(['node','degree','closeness','betweenness','clustering','eigenvector'])
writer.writerows(results)
writer.writerow(['average_shortest_path={}'.format(average_shortest_path)])
运⾏结果
P.S. 再记录⼀下数的另两个函数
shortest_path()返回最短路径
shortest_path_length()返回最短路径长度
# 返回值是⼀个字典
shortest_path =dict(nx.shortest_path(G, weight='weight'))
# 返回值是⼀个迭代器iterator
shortest_path_length =dict(nx.shortest_path_length(G, weight='weight'))
print(shortest_path,'\n',shortest_path_length)
结果
shortest_path:
{'a':{'a':['a'], 'b':['a', 'b'], 'c':['a', 'c'], 'd':['a', 'd']}, 'b':{'b':['b'], 'a':['b', 'a'], 'd':['b', 'd'], 'c':['b', 'a', 'c']}, 'c':{'c':['c'], 'a':['c', 'a'], 'd':['c', 'd'], 'b':['c', 'a', 'b']}, 'd': {'d':['d'], 'a':['d', 'a'], 'b':['d', 'b'], 'c':['d', 'c']}}
dde指标shortest_path_length:
{'a':{'a': 0, 'c': 1, 'b': 2, 'd': 2}, 'b':{'b': 0, 'a': 2, 'd': 3, 'c': 3}, 'c':{'c': 0, 'a': 1, 'd': 2, 'b': 3}, 'd':{'d': 0, 'a': 2, 'c': 2, 'b': 3}}
版权声明：本站内容均来自互联网，仅供演示用，请勿用于商业和其他非法用途。如果侵犯了您的权益请与我们联系QQ:729038198，我们将在24小时内删除。
发表评论