python圈复杂度 python 复杂网络

时间：2021.8.26 上午

目录

• 一、复杂网络

• （一）构造网络（加权有向网络）
• （二）度分布
• （三）算法1：寻路和图搜索算法

• 1.寻路算法
• 2.搜索算法

• （四）社区检测

• 1.Community detection（社群检测）
• 2.Louvain 算法

一、复杂网络

（一）构造网络（加权有向网络）

代码：

import networkx as nx
import matplotlib.pyplot as plt


column1 = []
with open('node-9.txt','r') as f:
    line = f.readline() # 读取一行
    while line:
        txt_data = eval（line) # 可将字符串变为元组
        column1.append(txt_data) # 列表增加
        line = f.readline() # 读取下一行
#print(column1)

edge = []
with open('edge-9.txt','r') as f:
    line = f.readline() # 读取一行
    while line:
        txt_data = eval（line) # 可将字符串变为元组
        edge.append(txt_data) # 列表增加
        line = f.readline() # 读取下一行
#print(edge)

G = nx.DiGraph()
G.add_nodes_from(column1)
G.add_weighted_edges_from(edge)
 
 
nx.draw_networkx(G,pos=nx.shell_layout(G),node_size=20,node_shape='o',width=1,style='solid',font_size=8) 


plt.figure(figsize=(12,8))
#print ( G.nodes())

网络图

（二）度分布

接上面的代码，先导入import numpy as np
度分布直方图代码：

import numpy as np

degree_freq = np.array(nx.degree_histogram(G)).astype('float')
plt.stem(degree_freq)
plt.ylabel("Frequence")
plt.xlabel("Degree")
plt.show()

结果图

（三）算法1：寻路和图搜索算法

1.寻路算法

寻路算法：通过最小化跳（hop）的数量来寻找两个节点之间的最短路径。

• 最短路径（单源最短路径（Single Source Shortest Path/SSSP）、所有配对最短路径（All Pairs Shortest Path / APSP））（更多最短路径问题的介绍：https://en.wikipedia.org/wiki/Shortest_path_problem）；
• 最小权重生成树（minimum spanning tree），应该用于无向图。
• 最短路径代码

# Returns shortest path between each node返回图中每个节点之间的最小路径的列表
sh= nx.shortest_path(G)
print(sh)

• 最小权重生成树代码

from networkx.algorithms import tree 
#最小权重生成树（minimum spanning tree）应该用于无向图 报错
mst = tree.minimum_spanning_edges(G, algorithm='prim', data=False)
edgelist = list(mst)
sorted(edgelist)

结果展示

2.搜索算法

搜索算法：不是给出最短路径，而是根据图的相邻情况或深度来探索图，可用于信息检索。宽度优先搜索（BFS）、深度优先搜索（DFS）。

---

（四）社区检测

1.Community detection（社群检测）

接数据代码：

from networkx.algorithms import community
import itertools
#社区算法 Girvan Newman 算法
k = 1 # k=1 的意思是我们期望得到 2 个社群
comp = community.girvan_newman(G)
for communities in itertools.islice(comp, k):
    print(tuple(sorted(c) for c in communities))

完整代码：

import networkx as nx
import itertools
import matplotlib.pyplot as plt
from networkx.algorithms import community

column1 = []
with open('node-9.txt','r') as f:
    line = f.readline() # 读取一行
    while line:
        txt_data = eval（line) # 可将字符串变为元组
        column1.append(txt_data) # 列表增加
        line = f.readline() # 读取下一行
#print(column1)

edge = []
with open('edge-9.txt','r') as f:
    line = f.readline() # 读取一行
    while line:
        txt_data = eval（line) # 可将字符串变为元组
        edge.append(txt_data) # 列表增加
        line = f.readline() # 读取下一行
#print(edge)

G = nx.DiGraph()
G.add_nodes_from(column1)
G.add_weighted_edges_from(edge)
 
 
nx.draw_networkx(G,pos=nx.shell_layout(G),node_size=20,node_shape='o',width=1,style='solid',font_size=8) 


plt.show()
#print ( G.nodes())

#社区算法 Girvan Newman 算法
k = 1 # k=1 的意思是我们期望得到 2 个社群
comp = community.girvan_newman(G)
for communities in itertools.islice(comp, k):
    print(tuple(sorted(c) for c in communities))

结果：

2.Louvain 算法

需要无向网络

import community
import networkx as nx
import matplotlib.pyplot as plt


column1 = []
with open('node-9.txt','r') as f:
    line = f.readline() # 读取一行
    while line:
        txt_data = eval（line) # 可将字符串变为元组
        column1.append(txt_data) # 列表增加
        line = f.readline() # 读取下一行
#print(column1)

edge = []
with open('edge-10.txt','r') as f:
    line = f.readline() # 读取一行
    while line:
        txt_data = eval（line) # 可将字符串变为元组
        edge.append(txt_data) # 列表增加
        line = f.readline() # 读取下一行
#print(edge)

G = nx.Graph()
G.add_nodes_from(column1)
G.add_edges_from(edge)
 
pos = nx.spring_layout(G) 
partition = community.best_partition(G)
plt.figure(figsize=(12,8))
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)

如果是原来的有向加权，可以看到报错

import community
import networkx as nx
import matplotlib.pyplot as plt



column1 = []
with open('node-9.txt','r') as f:
    line = f.readline() # 读取一行
    while line:
        txt_data = eval（line) # 可将字符串变为元组
        column1.append(txt_data) # 列表增加
        line = f.readline() # 读取下一行
#print(column1)

edge = []
with open('edge-9.txt','r') as f:
    line = f.readline() # 读取一行
    while line:
        txt_data = eval（line) # 可将字符串变为元组
        edge.append(txt_data) # 列表增加
        line = f.readline() # 读取下一行
#print(edge)

G = nx.DiGraph()
G.add_nodes_from(column1)
G.add_weighted_edges_from(edge)
 
pos = nx.spring_layout(G) 
partition = community.best_partition(G)
plt.figure(figsize=(12,8))
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)

结果报错：

---

# 参考链接 [社会网络分析——三、图论与图学习]()

---