1. 项目概述从电工杯赛题到NetworkX实战去年辅导学生参加电工杯数学建模竞赛时B题中一个关于区域网络连通性与最优路径规划的子问题让我再次深刻体会到NetworkX这个库在解决图论相关建模问题时的强大与便捷。题目本质是给定一个由多个节点如变电站、村庄和边线路、道路构成的网络需要分析其连通性、寻找关键路径并最终将最优路径和网络结构清晰地可视化出来。这几乎是图论在工程领域应用的经典缩影。当时我们团队的核心工具就是Python的NetworkX库配合Matplotlib进行可视化高效地完成了从数据建模、算法求解到结果呈现的全过程。这篇文章我就以那次竞赛实战为背景抛开枯燥的API手册带你深入NetworkX的核心。我们不止步于简单的画图而是要搞懂如何用它来建模真实的网络问题、实现经典的图算法并制作出具有专业说服力的可视化图表。无论你是正在备战数学建模竞赛如电工杯、美赛还是需要在工作中处理社交网络、交通路网、知识图谱或系统依赖关系这篇文章都能为你提供一套从理论到实践的完整工具箱。你会发现用Python玩转图论NetworkX是你的不二之选。2. NetworkX核心概念与图结构创建在动手写代码之前我们必须统一“语言”。NetworkX中的“图”是对现实关系网络的抽象理解其核心数据结构是灵活运用的前提。2.1 图的基本类型与选择NetworkX主要支持三种图结构选择哪种取决于你的问题是否有方向、是否有权重无向图 (Graph): 边没有方向。例如描述城市之间的高速公路A城到B城和B城到A城是同一条路、社交网络中的好友关系通常是对称的。这是最常用的类型。有向图 (DiGraph): 边有方向。例如描述网页之间的超链接A链向B但B未必链向A、工作流中的任务依赖关系。在电工杯B题中如果涉及单向的电力潮流或信息流就需要使用有向图。带权图: 在上述两种图的基础上为边或节点赋予一个数值属性如距离、成本、流量、关系强度。在路径规划问题中边的权重至关重要。注意Graph和DiGraph是两种完全不同的类。虽然很多方法名相同但内部处理逻辑迥异。将一个为无向图设计的算法直接用在有向图上很可能得到错误结果。2.2 四种创建图的方法与实战场景创建一张图就像为你的数据搭建舞台。NetworkX提供了多种“搭台”方式。方法一手动逐步添加适用于探索性构建或小规模图这是最直观的方式适合快速验证想法或构建小型示例图。import networkx as nx G nx.Graph() # 创建一个空的无向图 # 添加单个节点 G.add_node(1) G.add_node(Beijing) # 添加节点列表 G.add_nodes_from([2, 3, Shanghai]) # 添加单条边会自动添加不存在的节点 G.add_edge(1, 2) G.add_edge(Beijing, Shanghai, weight1200) # 添加带权重的边 # 添加边列表 G.add_edges_from([(1, 3), (2, Shanghai), (Beijing, 3)])方法二从连接边列表创建最常用适用于已有结构化数据当你已经有一个(node1, node2)或(node1, node2, weight)格式的边列表时这是最高效的方法。电工杯赛题数据通常就适合用这种方式导入。edge_list [ (0, 1, 5.2), (0, 2, 3.1), (1, 2, 2.0), (1, 3, 4.7), (2, 3, 6.1) ] G nx.Graph() G.add_weighted_edges_from(edge_list) # 一键构建带权图方法三从邻接矩阵创建适用于矩阵形式的数据如果你的数据本身就是一个numpy数组或pandas DataFrame形式的邻接矩阵A[i][j]表示节点i到j的边的权重0或无穷大表示无边可以快速转换。import numpy as np adj_matrix np.array([ [0, 5.2, 3.1, 0], [5.2, 0, 2.0, 4.7], [3.1, 2.0, 0, 6.1], [0, 4.7, 6.1, 0] ]) G nx.from_numpy_array(adj_matrix) # 矩阵需为对称阵无向图 # 对于有向图使用 nx.from_numpy_matrix(adj_matrix, create_usingnx.DiGraph)方法四生成经典图或随机图用于算法测试与教学NetworkX内置了大量经典图结构如完全图、星型图、网格图和随机图生成器如Erdos-Renyi图、Barabasi-Albert无标度网络非常适合用于测试算法的通用性。K_5 nx.complete_graph(5) # 生成一个包含5个节点的完全图 grid nx.grid_2d_graph(3, 4) # 生成一个3行4列的网格图 ER_graph nx.erdos_renyi_graph(20, 0.15) # 生成20个节点连边概率为0.15的随机图2.3 图属性的访问与操作创建图后如何查看和操作它# 基本信息 print(f节点数: {G.number_of_nodes()}) print(f边数: {G.number_of_edges()}) print(f所有节点: {list(G.nodes())}) print(f所有边: {list(G.edges())}) print(f节点1的邻居: {list(G.neighbors(1))}) print(f边(1,2)的属性: {G[1][2]}) # 返回一个属性字典如{weight: 5.2} # 为节点或边添加自定义属性非常有用 nx.set_node_attributes(G, {0: station_A, 1: station_B}, name) nx.set_edge_attributes(G, {(0,1): high-voltage, (1,2): medium-voltage}, line_type) # 访问特定属性 print(G.nodes[0][name]) # 输出: station_A print(G.edges[0, 1][line_type]) # 输出: high-voltage实操心得在数学建模中善于利用节点属性和边属性来存储额外信息是关键。例如除了权重你还可以为边添加“容量”、“可靠性”属性为节点添加“类型”、“需求”属性。这能让你的图模型包含更丰富的信息支撑更复杂的分析。3. 图论算法实现与路径规划核心NetworkX不仅仅是一个图容器它更是一个强大的图算法库。我们重点看路径规划相关的核心算法这也是电工杯B题等赛事的常客。3.1 最短路径问题Dijkstra与Floyd-Warshall单源最短路径Dijkstra算法这是解决带权图最短路径最经典的算法。nx.single_source_dijkstra_path返回从源点到所有其他点的最短路径而nx.single_source_dijkstra_path_length返回对应的路径长度。# 计算从节点0到所有其他节点的最短路径及长度 path nx.single_source_dijkstra_path(G, source0) length nx.single_source_dijkstra_path_length(G, source0) print(f从0到3的路径: {path[3]}) print(f从0到3的距离: {length[3]}) # 计算从节点0到节点3的单条最短路径 single_path nx.dijkstra_path(G, source0, target3) single_length nx.dijkstra_path_length(G, source0, target3)注意Dijkstra算法要求边的权重非负。如果图中存在负权边在某些成本或收益模型中可能出现需要使用能处理负权重的Bellman-Ford算法 (nx.bellman_ford_predecessor_and_distance)。所有节点对最短路径Floyd-Warshall算法当需要计算图中所有节点两两之间的最短路径时使用此算法。虽然时间复杂度较高O(n^3)但对于节点数不多几百个的建模问题完全足够。# 计算所有节点对之间的最短路径长度 all_pairs_length dict(nx.all_pairs_dijkstra_path_length(G)) # 获取节点2到节点4的最短距离 distance_2_4 all_pairs_length[2][4] # 或者使用更通用的Floyd-Warshall算法可处理负权但不能有负权环 length, paths nx.floyd_warshall_predecessor_and_distance(G)3.2 关键路径与网络中心性分析在电网或通信网中识别关键节点一旦失效影响最大和关键边瓶颈至关重要。节点中心性度量度中心性: 一个节点拥有的连接数。在无向图中就是邻居数在有向图中可分为入度和出度。直观反映节点的直接影响力。degree_centrality nx.degree_centrality(G) # 返回归一化的字典接近中心性: 一个节点到网络中所有其他节点平均距离的倒数。值越大说明该节点在信息传播中越不依赖于他人。closeness_centrality nx.closeness_centrality(G)介数中心性: 衡量一个节点出现在其他节点对最短路径上的频率。是识别“桥梁”或“枢纽”节点的关键指标。在电网中介数中心性高的变电站往往是关键枢纽。betweenness_centrality nx.betweenness_centrality(G)边介数中心性类似地可以计算边的介数中心性找出网络中最繁忙、最容易形成拥堵的“关键边”。edge_betweenness nx.edge_betweenness_centrality(G)实操心得在竞赛中不要只给出中心性数值。一定要结合可视化用节点大小或颜色映射中心性值让评委一眼就能看出网络中的关键枢纽在哪里。例如node_size [v * 5000 for v in betweenness_centrality.values()]。3.3 连通性与鲁棒性分析一个网络被破坏后还能保持多少功能这是网络鲁棒性分析的核心。判断连通性:nx.is_connected(G)判断无向图是否连通。寻找连通分量:list(nx.connected_components(G))返回所有连通子图的节点集合。对于有向图有强连通分量 (nx.strongly_connected_components) 和弱连通分量 (nx.weakly_connected_components) 之分。模拟攻击通过有策略地移除节点如按度中心性从高到低移除或边观察网络连通性指标如最大连通分量大小、平均最短路径长度的变化可以定量评估网络的脆弱性。这是电工杯等赛题中非常经典的分析思路。def simulate_attack(G, attack_order): 模拟按attack_order序列移除节点后的网络状态 G_attacked G.copy() metrics [] for node in attack_order: G_attacked.remove_node(node) if nx.is_connected(G_attacked): largest_cc max(nx.connected_components(G_attacked), keylen) metrics.append(len(largest_cc) / G.number_of_nodes()) else: metrics.append(0) return metrics # 假设按介数中心性降序攻击 sorted_nodes sorted(betweenness_centrality, keybetweenness_centrality.get, reverseTrue) robustness_curve simulate_attack(G, sorted_nodes) # 随后可以绘制 robustness_curve 曲线曲线下降越陡网络越脆弱。4. 专业级可视化让图表自己说话使用Matplotlib配合NetworkX的内置绘图功能可以生成清晰美观的图表。但默认绘图往往很简陋我们需要进行深度定制。4.1 基础绘图与布局算法import matplotlib.pyplot as plt # 1. 选择布局算法决定节点位置 # spring_layout: 力导向布局最常用视觉效果较自然 pos nx.spring_layout(G, seed42) # seed保证布局可重现 # circular_layout: 环形布局适合展示循环或层次结构 # pos nx.circular_layout(G) # shell_layout: 同心壳布局适合按节点属性分组 # pos nx.shell_layout(G, [list_of_group1, list_of_group2]) # 2. 基础绘图 plt.figure(figsize(10, 8)) nx.draw_networkx_nodes(G, pos, node_colorlightblue, node_size500) nx.draw_networkx_edges(G, pos, edge_colorgray) nx.draw_networkx_labels(G, pos, font_size12) plt.axis(off) # 关闭坐标轴 plt.title(Basic Network Graph) plt.show()4.2 高级定制映射属性与突出重点这才是可视化脱颖而出的关键。我们将节点/边的属性映射到视觉元素颜色、大小、形状、线型。plt.figure(figsize(12, 10)) # 准备映射数据 node_color_map [] node_size_map [] edge_width_map [] edge_color_map [] # 示例节点颜色映射节点类型节点大小映射度中心性边宽度映射权重边颜色映射边类型 node_types {station_A: red, station_B: green, default: lightblue} for node in G.nodes(): node_type G.nodes[node].get(type, default) node_color_map.append(node_types.get(node_type, lightblue)) # 节点大小映射度中心性放大5000倍便于观察 node_size_map.append(degree_centrality.get(node, 0.1) * 5000) for u, v in G.edges(): weight G.edges[u, v].get(weight, 1.0) edge_width_map.append(weight * 0.5) # 根据权重调整线宽 line_type G.edges[u, v].get(line_type, normal) edge_color_map.append(red if line_type high-voltage else gray) # 绘制节点使用scatter以获得更丰富的颜色映射 nodes nx.draw_networkx_nodes(G, pos, node_colornode_color_map, node_sizenode_size_map, alpha0.9) # 绘制边 edges nx.draw_networkx_edges(G, pos, widthedge_width_map, edge_coloredge_color_map, alpha0.7, stylesolid) # 绘制标签 nx.draw_networkx_labels(G, pos, font_size10, font_weightbold) # 添加图例需要手动创建 from matplotlib.patches import Patch legend_elements [Patch(facecolorred, label关键节点), Patch(facecolorgreen, label普通节点), Patch(facecolorgray, label线路, linewidth3)] plt.legend(handleslegend_elements, locupper right) plt.axis(off) plt.title(Enhanced Network Visualization with Attributes, fontsize16) plt.tight_layout() plt.show()4.3 路径高亮与动画展示在结果展示中将算法找到的最优路径高亮显示能极大提升表现力。# 假设 shortest_path 是之前计算好的最短路径节点列表例如 [0, 1, 3] shortest_path nx.dijkstra_path(G, source0, target3) plt.figure(figsize(10, 8)) # 1. 绘制基础网络灰色半透明作为背景 nx.draw_networkx_nodes(G, pos, node_colorlightgray, node_size300, alpha0.4) nx.draw_networkx_edges(G, pos, edge_colorlightgray, width1, alpha0.4, styledashed) nx.draw_networkx_labels(G, pos, font_size10, font_colordarkgray) # 2. 高亮最短路径上的节点和边 path_edges list(zip(shortest_path[:-1], shortest_path[1:])) nx.draw_networkx_nodes(G, pos, nodelistshortest_path, node_colorred, node_size600, alpha0.9) nx.draw_networkx_edges(G, pos, edgelistpath_edges, edge_colorred, width3, alpha0.9, stylesolid) # 3. 添加路径长度标注 path_length nx.dijkstra_path_length(G, source0, target3) plt.text(0.05, 0.95, fShortest Path: {shortest_path}\nTotal Distance: {path_length:.2f}, transformplt.gca().transAxes, bboxdict(boxstyleround, facecolorwheat, alpha0.8), fontsize12) plt.axis(off) plt.title(Highlighted Shortest Path, fontsize14) plt.show()实操心得在竞赛论文或报告中使用可视化时一致性很重要。保持同一份报告中所有图的配色方案、节点大小比例、布局算法一致会让你的作品显得非常专业。建议在代码开头定义好一套颜色和尺寸的映射字典全程复用。5. 电工杯B题实战从问题到代码的完整推演让我们模拟一个简化版的电工杯B题场景串联以上所有知识点。5.1 问题描述与数据建模假设某区域有10个变电站节点以及连接它们的不同电压等级线路边。每条线路有长度权重和传输容量上限属性。任务1) 分析网络连通性与关键节点2) 找到从核心站A到负荷站J的最优传输路径考虑距离最短3) 可视化网络并高亮最优路径。5.2 代码实现步骤import networkx as nx import matplotlib.pyplot as plt import numpy as np # 步骤1: 构建带权有向图考虑电力潮流可能有方向性 DG nx.DiGraph() # 模拟添加节点和边实际中应从文件读取 nodes [A, B, C, D, E, F, G, H, I, J] DG.add_nodes_from(nodes) # 模拟边数据 (起点 终点 长度(km), 容量(MW)) edges [ (A, B, 50, 100), (A, C, 80, 150), (B, D, 60, 120), (B, E, 45, 80), (C, F, 70, 200), (C, D, 55, 90), (D, G, 30, 100), (E, H, 65, 110), (F, I, 40, 120), (G, J, 85, 180), (H, J, 50, 90), (I, J, 60, 130), # 添加一些反向边模拟双向线路 (B, A, 50, 100), (D, B, 60, 120), (J, G, 85, 180) ] for u, v, length, capacity in edges: DG.add_edge(u, v, weightlength, capacitycapacity) # 步骤2: 网络基本分析 print(f网络节点数: {DG.number_of_nodes()}) print(f网络有向边数: {DG.number_of_edges()}) print(f网络是强连通的吗 {nx.is_strongly_connected(DG)}) print(f网络是弱连通的吗 {nx.is_weakly_connected(DG)}) # 步骤3: 关键节点分析使用介数中心性 betweenness nx.betweenness_centrality(DG, weightweight) # 考虑距离权重 print(\n介数中心性最高的三个节点:) for node in sorted(betweenness, keybetweenness.get, reverseTrue)[:3]: print(f 节点 {node}: {betweenness[node]:.4f}) # 步骤4: 最优路径规划A - J try: shortest_path nx.dijkstra_path(DG, sourceA, targetJ, weightweight) shortest_path_length nx.dijkstra_path_length(DG, sourceA, targetJ, weightweight) print(f\n最短路径: {shortest_path}) print(f最短路径总长度: {shortest_path_length} km) except nx.NetworkXNoPath: print(节点A与J之间不存在路径) # 步骤5: 专业可视化 plt.figure(figsize(14, 10)) # 5.1 选择布局 pos nx.spring_layout(DG, seed42, k1.5) # k参数调节节点间距 # 5.2 绘制所有节点和边作为背景 nx.draw_networkx_nodes(DG, pos, node_colorlightblue, node_size800, alpha0.6) nx.draw_networkx_edges(DG, pos, edge_colorgray, width1.5, connectionstylearc3,rad0.1, # 使有向边带弧度避免重叠 arrowsize15, arrowstyle-) nx.draw_networkx_labels(DG, pos, font_size12, font_weightbold) # 5.3 高亮关键节点介数中心性Top3 top_nodes sorted(betweenness, keybetweenness.get, reverseTrue)[:3] nx.draw_networkx_nodes(DG, pos, nodelisttop_nodes, node_colorred, node_size1000, alpha0.9) # 5.4 高亮最短路径 if shortest_path in locals(): path_edges list(zip(shortest_path[:-1], shortest_path[1:])) nx.draw_networkx_edges(DG, pos, edgelistpath_edges, edge_colorgreen, width4, alpha0.9, connectionstylearc3,rad0.1, arrowsize20) nx.draw_networkx_nodes(DG, pos, nodelistshortest_path, node_colorgreen, node_size800, alpha0.9) # 为路径添加流动感渐变箭头 for i, (u, v) in enumerate(path_edges): nx.draw_networkx_edges(DG, pos, edgelist[(u, v)], edge_colorlime, width3, alpha0.7-(i*0.1), connectionstylearc3,rad0.1, arrowsize18) # 5.5 添加图例和标题 from matplotlib.patches import Patch, FancyArrowPatch import matplotlib.lines as mlines legend_elements [ Patch(facecolorred, alpha0.9, label关键节点 (高介数中心性)), Patch(facecolorgreen, alpha0.9, label最短路径节点), mlines.Line2D([], [], colorgreen, linewidth4, label最短路径), mlines.Line2D([], [], colorgray, linewidth1.5, label普通线路) ] plt.legend(handleslegend_elements, locupper left, fontsize10) plt.title(Regional Power Grid Analysis: Critical Nodes Optimal Path (A - J), fontsize16, pad20) plt.axis(off) plt.tight_layout() # 步骤6: 保存高质量图片用于论文 plt.savefig(power_grid_analysis.png, dpi300, bbox_inchestight) plt.show() # 步骤7: 输出详细分析报告 print(\n *50) print(分析报告摘要) print(*50) print(f1. 网络连通性: 该有向网络是{强连通 if nx.is_strongly_connected(DG) else 弱连通}的。) print(f2. 关键枢纽: 节点 {top_nodes[0]} 的介数中心性最高({betweenness[top_nodes[0]]:.4f})是网络中最关键的枢纽。) print(f3. 最优传输路径: A - J 的最短路径为 {shortest_path}总长度为 {shortest_path_length} km。) print(4. 可视化说明: 红色节点为关键节点绿色路径为最优路径。) print(*50)6. 性能优化与大规模网络处理技巧当节点和边数量上升到成千上万时基础的NetworkX操作可能会变慢。以下是一些实战优化技巧6.1 使用合适的数据结构对于超大规模网络百万级边考虑使用nx.Graph时指定create_usingnx.Graph(nx.parse_edgelist(...))直接从文件流式读取避免将整个边列表加载到内存。对于需要频繁检查边是否存在或查询边属性的场景如果图非常稠密将图转换为邻接矩阵或使用np.array存储可能更快但这会牺牲灵活性。6.2 算法选择与近似计算最短路径对于单源问题坚持使用Dijkstra。对于所有节点对问题当节点数N很大时Floyd-Warshall的O(N^3)复杂度不可接受。可以考虑只计算部分节点对。使用nx.all_pairs_dijkstra_path_length它内部对每个节点调用Dijkstra但可以利用稀疏图特性。对于近似解研究A*算法如果存在启发式函数或考虑使用更专业的图计算库。中心性计算精确计算介数中心性的复杂度极高O(N*E)。对于大规模网络使用nx.betweenness_centrality(G, k100)进行采样估算。通过随机抽取k个节点作为源点进行计算能在可接受误差内大幅提升速度。考虑其他可扩展性更好的中心性指标如PageRank(nx.pagerank)。6.3 可视化优化绘制上万节点的图会非常缓慢且杂乱。解决方案抽样绘制只绘制一个子图或通过社区检测后绘制每个社区的代表节点。使用专业可视化工具对于探索性分析将图数据导出用Gephi、Cytoscape等专业软件进行可视化。NetworkX可以轻松导出为GEXF等格式。nx.write_gexf(G, network.gexf) # 用Gephi打开静态图与聚合如果必须用Matplotlib考虑绘制节点的度分布直方图、社区结构热力图或使用边捆绑技术的简化图而不是绘制所有边。6.4 常见陷阱与排查权重属性名不一致确保所有边的权重都使用相同的属性名如weight。dijkstra_path默认找weight属性。如果你的权重叫length或cost需要使用weightlength参数显式指定。有向图与无向图混淆这是最常见的错误。再次检查你的问题是否需要方向。nx.shortest_path在无向图上工作但在有向图上会忽略方向。对有向图务必使用nx.dijkstra_path并确认图是DiGraph。坐标重叠与布局spring_layout的结果每次可能不同使用seed参数固定随机数种子以保证可重现性。如果布局结果不理想可以尝试多次运行或调整k参数节点间理想距离或换用kamada_kawai_layout它通常能产生更稳定的布局。内存不足处理极大图时注意使用G.copy()而不是直接赋值来复制图避免内存翻倍。及时使用del删除不再需要的中间变量。考虑使用nx.read_edgelist的create_usingnx.Graph参数来流式构建图。掌握NetworkX的诀窍在于理解其背后的图论概念并知道如何将实际问题映射到这些概念上。从简单的网络构建到复杂的路径分析和中心性计算再到最终具有说服力的可视化呈现它提供了一条完整的分析链路。在数学建模或工程分析中这不仅能帮你快速得出结果更能让你的解决方案拥有扎实的理论基础和美观的专业表达。多动手实践从模仿文中的代码开始逐步将其应用到自己的具体问题中去你很快就能成为网络分析的高手。 NetworkX图论建模实战：从最短路径到网络中心性分析
1. 项目概述从电工杯赛题到NetworkX实战去年辅导学生参加电工杯数学建模竞赛时B题中一个关于区域网络连通性与最优路径规划的子问题让我再次深刻体会到NetworkX这个库在解决图论相关建模问题时的强大与便捷。题目本质是给定一个由多个节点如变电站、村庄和边线路、道路构成的网络需要分析其连通性、寻找关键路径并最终将最优路径和网络结构清晰地可视化出来。这几乎是图论在工程领域应用的经典缩影。当时我们团队的核心工具就是Python的NetworkX库配合Matplotlib进行可视化高效地完成了从数据建模、算法求解到结果呈现的全过程。这篇文章我就以那次竞赛实战为背景抛开枯燥的API手册带你深入NetworkX的核心。我们不止步于简单的画图而是要搞懂如何用它来建模真实的网络问题、实现经典的图算法并制作出具有专业说服力的可视化图表。无论你是正在备战数学建模竞赛如电工杯、美赛还是需要在工作中处理社交网络、交通路网、知识图谱或系统依赖关系这篇文章都能为你提供一套从理论到实践的完整工具箱。你会发现用Python玩转图论NetworkX是你的不二之选。2. NetworkX核心概念与图结构创建在动手写代码之前我们必须统一“语言”。NetworkX中的“图”是对现实关系网络的抽象理解其核心数据结构是灵活运用的前提。2.1 图的基本类型与选择NetworkX主要支持三种图结构选择哪种取决于你的问题是否有方向、是否有权重无向图 (Graph): 边没有方向。例如描述城市之间的高速公路A城到B城和B城到A城是同一条路、社交网络中的好友关系通常是对称的。这是最常用的类型。有向图 (DiGraph): 边有方向。例如描述网页之间的超链接A链向B但B未必链向A、工作流中的任务依赖关系。在电工杯B题中如果涉及单向的电力潮流或信息流就需要使用有向图。带权图: 在上述两种图的基础上为边或节点赋予一个数值属性如距离、成本、流量、关系强度。在路径规划问题中边的权重至关重要。注意Graph和DiGraph是两种完全不同的类。虽然很多方法名相同但内部处理逻辑迥异。将一个为无向图设计的算法直接用在有向图上很可能得到错误结果。2.2 四种创建图的方法与实战场景创建一张图就像为你的数据搭建舞台。NetworkX提供了多种“搭台”方式。方法一手动逐步添加适用于探索性构建或小规模图这是最直观的方式适合快速验证想法或构建小型示例图。import networkx as nx G nx.Graph() # 创建一个空的无向图 # 添加单个节点 G.add_node(1) G.add_node(Beijing) # 添加节点列表 G.add_nodes_from([2, 3, Shanghai]) # 添加单条边会自动添加不存在的节点 G.add_edge(1, 2) G.add_edge(Beijing, Shanghai, weight1200) # 添加带权重的边 # 添加边列表 G.add_edges_from([(1, 3), (2, Shanghai), (Beijing, 3)])方法二从连接边列表创建最常用适用于已有结构化数据当你已经有一个(node1, node2)或(node1, node2, weight)格式的边列表时这是最高效的方法。电工杯赛题数据通常就适合用这种方式导入。edge_list [ (0, 1, 5.2), (0, 2, 3.1), (1, 2, 2.0), (1, 3, 4.7), (2, 3, 6.1) ] G nx.Graph() G.add_weighted_edges_from(edge_list) # 一键构建带权图方法三从邻接矩阵创建适用于矩阵形式的数据如果你的数据本身就是一个numpy数组或pandas DataFrame形式的邻接矩阵A[i][j]表示节点i到j的边的权重0或无穷大表示无边可以快速转换。import numpy as np adj_matrix np.array([ [0, 5.2, 3.1, 0], [5.2, 0, 2.0, 4.7], [3.1, 2.0, 0, 6.1], [0, 4.7, 6.1, 0] ]) G nx.from_numpy_array(adj_matrix) # 矩阵需为对称阵无向图 # 对于有向图使用 nx.from_numpy_matrix(adj_matrix, create_usingnx.DiGraph)方法四生成经典图或随机图用于算法测试与教学NetworkX内置了大量经典图结构如完全图、星型图、网格图和随机图生成器如Erdos-Renyi图、Barabasi-Albert无标度网络非常适合用于测试算法的通用性。K_5 nx.complete_graph(5) # 生成一个包含5个节点的完全图 grid nx.grid_2d_graph(3, 4) # 生成一个3行4列的网格图 ER_graph nx.erdos_renyi_graph(20, 0.15) # 生成20个节点连边概率为0.15的随机图2.3 图属性的访问与操作创建图后如何查看和操作它# 基本信息 print(f节点数: {G.number_of_nodes()}) print(f边数: {G.number_of_edges()}) print(f所有节点: {list(G.nodes())}) print(f所有边: {list(G.edges())}) print(f节点1的邻居: {list(G.neighbors(1))}) print(f边(1,2)的属性: {G[1][2]}) # 返回一个属性字典如{weight: 5.2} # 为节点或边添加自定义属性非常有用 nx.set_node_attributes(G, {0: station_A, 1: station_B}, name) nx.set_edge_attributes(G, {(0,1): high-voltage, (1,2): medium-voltage}, line_type) # 访问特定属性 print(G.nodes[0][name]) # 输出: station_A print(G.edges[0, 1][line_type]) # 输出: high-voltage实操心得在数学建模中善于利用节点属性和边属性来存储额外信息是关键。例如除了权重你还可以为边添加“容量”、“可靠性”属性为节点添加“类型”、“需求”属性。这能让你的图模型包含更丰富的信息支撑更复杂的分析。3. 图论算法实现与路径规划核心NetworkX不仅仅是一个图容器它更是一个强大的图算法库。我们重点看路径规划相关的核心算法这也是电工杯B题等赛事的常客。3.1 最短路径问题Dijkstra与Floyd-Warshall单源最短路径Dijkstra算法这是解决带权图最短路径最经典的算法。nx.single_source_dijkstra_path返回从源点到所有其他点的最短路径而nx.single_source_dijkstra_path_length返回对应的路径长度。# 计算从节点0到所有其他节点的最短路径及长度 path nx.single_source_dijkstra_path(G, source0) length nx.single_source_dijkstra_path_length(G, source0) print(f从0到3的路径: {path[3]}) print(f从0到3的距离: {length[3]}) # 计算从节点0到节点3的单条最短路径 single_path nx.dijkstra_path(G, source0, target3) single_length nx.dijkstra_path_length(G, source0, target3)注意Dijkstra算法要求边的权重非负。如果图中存在负权边在某些成本或收益模型中可能出现需要使用能处理负权重的Bellman-Ford算法 (nx.bellman_ford_predecessor_and_distance)。所有节点对最短路径Floyd-Warshall算法当需要计算图中所有节点两两之间的最短路径时使用此算法。虽然时间复杂度较高O(n^3)但对于节点数不多几百个的建模问题完全足够。# 计算所有节点对之间的最短路径长度 all_pairs_length dict(nx.all_pairs_dijkstra_path_length(G)) # 获取节点2到节点4的最短距离 distance_2_4 all_pairs_length[2][4] # 或者使用更通用的Floyd-Warshall算法可处理负权但不能有负权环 length, paths nx.floyd_warshall_predecessor_and_distance(G)3.2 关键路径与网络中心性分析在电网或通信网中识别关键节点一旦失效影响最大和关键边瓶颈至关重要。节点中心性度量度中心性: 一个节点拥有的连接数。在无向图中就是邻居数在有向图中可分为入度和出度。直观反映节点的直接影响力。degree_centrality nx.degree_centrality(G) # 返回归一化的字典接近中心性: 一个节点到网络中所有其他节点平均距离的倒数。值越大说明该节点在信息传播中越不依赖于他人。closeness_centrality nx.closeness_centrality(G)介数中心性: 衡量一个节点出现在其他节点对最短路径上的频率。是识别“桥梁”或“枢纽”节点的关键指标。在电网中介数中心性高的变电站往往是关键枢纽。betweenness_centrality nx.betweenness_centrality(G)边介数中心性类似地可以计算边的介数中心性找出网络中最繁忙、最容易形成拥堵的“关键边”。edge_betweenness nx.edge_betweenness_centrality(G)实操心得在竞赛中不要只给出中心性数值。一定要结合可视化用节点大小或颜色映射中心性值让评委一眼就能看出网络中的关键枢纽在哪里。例如node_size [v * 5000 for v in betweenness_centrality.values()]。3.3 连通性与鲁棒性分析一个网络被破坏后还能保持多少功能这是网络鲁棒性分析的核心。判断连通性:nx.is_connected(G)判断无向图是否连通。寻找连通分量:list(nx.connected_components(G))返回所有连通子图的节点集合。对于有向图有强连通分量 (nx.strongly_connected_components) 和弱连通分量 (nx.weakly_connected_components) 之分。模拟攻击通过有策略地移除节点如按度中心性从高到低移除或边观察网络连通性指标如最大连通分量大小、平均最短路径长度的变化可以定量评估网络的脆弱性。这是电工杯等赛题中非常经典的分析思路。def simulate_attack(G, attack_order): 模拟按attack_order序列移除节点后的网络状态 G_attacked G.copy() metrics [] for node in attack_order: G_attacked.remove_node(node) if nx.is_connected(G_attacked): largest_cc max(nx.connected_components(G_attacked), keylen) metrics.append(len(largest_cc) / G.number_of_nodes()) else: metrics.append(0) return metrics # 假设按介数中心性降序攻击 sorted_nodes sorted(betweenness_centrality, keybetweenness_centrality.get, reverseTrue) robustness_curve simulate_attack(G, sorted_nodes) # 随后可以绘制 robustness_curve 曲线曲线下降越陡网络越脆弱。4. 专业级可视化让图表自己说话使用Matplotlib配合NetworkX的内置绘图功能可以生成清晰美观的图表。但默认绘图往往很简陋我们需要进行深度定制。4.1 基础绘图与布局算法import matplotlib.pyplot as plt # 1. 选择布局算法决定节点位置 # spring_layout: 力导向布局最常用视觉效果较自然 pos nx.spring_layout(G, seed42) # seed保证布局可重现 # circular_layout: 环形布局适合展示循环或层次结构 # pos nx.circular_layout(G) # shell_layout: 同心壳布局适合按节点属性分组 # pos nx.shell_layout(G, [list_of_group1, list_of_group2]) # 2. 基础绘图 plt.figure(figsize(10, 8)) nx.draw_networkx_nodes(G, pos, node_colorlightblue, node_size500) nx.draw_networkx_edges(G, pos, edge_colorgray) nx.draw_networkx_labels(G, pos, font_size12) plt.axis(off) # 关闭坐标轴 plt.title(Basic Network Graph) plt.show()4.2 高级定制映射属性与突出重点这才是可视化脱颖而出的关键。我们将节点/边的属性映射到视觉元素颜色、大小、形状、线型。plt.figure(figsize(12, 10)) # 准备映射数据 node_color_map [] node_size_map [] edge_width_map [] edge_color_map [] # 示例节点颜色映射节点类型节点大小映射度中心性边宽度映射权重边颜色映射边类型 node_types {station_A: red, station_B: green, default: lightblue} for node in G.nodes(): node_type G.nodes[node].get(type, default) node_color_map.append(node_types.get(node_type, lightblue)) # 节点大小映射度中心性放大5000倍便于观察 node_size_map.append(degree_centrality.get(node, 0.1) * 5000) for u, v in G.edges(): weight G.edges[u, v].get(weight, 1.0) edge_width_map.append(weight * 0.5) # 根据权重调整线宽 line_type G.edges[u, v].get(line_type, normal) edge_color_map.append(red if line_type high-voltage else gray) # 绘制节点使用scatter以获得更丰富的颜色映射 nodes nx.draw_networkx_nodes(G, pos, node_colornode_color_map, node_sizenode_size_map, alpha0.9) # 绘制边 edges nx.draw_networkx_edges(G, pos, widthedge_width_map, edge_coloredge_color_map, alpha0.7, stylesolid) # 绘制标签 nx.draw_networkx_labels(G, pos, font_size10, font_weightbold) # 添加图例需要手动创建 from matplotlib.patches import Patch legend_elements [Patch(facecolorred, label关键节点), Patch(facecolorgreen, label普通节点), Patch(facecolorgray, label线路, linewidth3)] plt.legend(handleslegend_elements, locupper right) plt.axis(off) plt.title(Enhanced Network Visualization with Attributes, fontsize16) plt.tight_layout() plt.show()4.3 路径高亮与动画展示在结果展示中将算法找到的最优路径高亮显示能极大提升表现力。# 假设 shortest_path 是之前计算好的最短路径节点列表例如 [0, 1, 3] shortest_path nx.dijkstra_path(G, source0, target3) plt.figure(figsize(10, 8)) # 1. 绘制基础网络灰色半透明作为背景 nx.draw_networkx_nodes(G, pos, node_colorlightgray, node_size300, alpha0.4) nx.draw_networkx_edges(G, pos, edge_colorlightgray, width1, alpha0.4, styledashed) nx.draw_networkx_labels(G, pos, font_size10, font_colordarkgray) # 2. 高亮最短路径上的节点和边 path_edges list(zip(shortest_path[:-1], shortest_path[1:])) nx.draw_networkx_nodes(G, pos, nodelistshortest_path, node_colorred, node_size600, alpha0.9) nx.draw_networkx_edges(G, pos, edgelistpath_edges, edge_colorred, width3, alpha0.9, stylesolid) # 3. 添加路径长度标注 path_length nx.dijkstra_path_length(G, source0, target3) plt.text(0.05, 0.95, fShortest Path: {shortest_path}\nTotal Distance: {path_length:.2f}, transformplt.gca().transAxes, bboxdict(boxstyleround, facecolorwheat, alpha0.8), fontsize12) plt.axis(off) plt.title(Highlighted Shortest Path, fontsize14) plt.show()实操心得在竞赛论文或报告中使用可视化时一致性很重要。保持同一份报告中所有图的配色方案、节点大小比例、布局算法一致会让你的作品显得非常专业。建议在代码开头定义好一套颜色和尺寸的映射字典全程复用。5. 电工杯B题实战从问题到代码的完整推演让我们模拟一个简化版的电工杯B题场景串联以上所有知识点。5.1 问题描述与数据建模假设某区域有10个变电站节点以及连接它们的不同电压等级线路边。每条线路有长度权重和传输容量上限属性。任务1) 分析网络连通性与关键节点2) 找到从核心站A到负荷站J的最优传输路径考虑距离最短3) 可视化网络并高亮最优路径。5.2 代码实现步骤import networkx as nx import matplotlib.pyplot as plt import numpy as np # 步骤1: 构建带权有向图考虑电力潮流可能有方向性 DG nx.DiGraph() # 模拟添加节点和边实际中应从文件读取 nodes [A, B, C, D, E, F, G, H, I, J] DG.add_nodes_from(nodes) # 模拟边数据 (起点 终点 长度(km), 容量(MW)) edges [ (A, B, 50, 100), (A, C, 80, 150), (B, D, 60, 120), (B, E, 45, 80), (C, F, 70, 200), (C, D, 55, 90), (D, G, 30, 100), (E, H, 65, 110), (F, I, 40, 120), (G, J, 85, 180), (H, J, 50, 90), (I, J, 60, 130), # 添加一些反向边模拟双向线路 (B, A, 50, 100), (D, B, 60, 120), (J, G, 85, 180) ] for u, v, length, capacity in edges: DG.add_edge(u, v, weightlength, capacitycapacity) # 步骤2: 网络基本分析 print(f网络节点数: {DG.number_of_nodes()}) print(f网络有向边数: {DG.number_of_edges()}) print(f网络是强连通的吗 {nx.is_strongly_connected(DG)}) print(f网络是弱连通的吗 {nx.is_weakly_connected(DG)}) # 步骤3: 关键节点分析使用介数中心性 betweenness nx.betweenness_centrality(DG, weightweight) # 考虑距离权重 print(\n介数中心性最高的三个节点:) for node in sorted(betweenness, keybetweenness.get, reverseTrue)[:3]: print(f 节点 {node}: {betweenness[node]:.4f}) # 步骤4: 最优路径规划A - J try: shortest_path nx.dijkstra_path(DG, sourceA, targetJ, weightweight) shortest_path_length nx.dijkstra_path_length(DG, sourceA, targetJ, weightweight) print(f\n最短路径: {shortest_path}) print(f最短路径总长度: {shortest_path_length} km) except nx.NetworkXNoPath: print(节点A与J之间不存在路径) # 步骤5: 专业可视化 plt.figure(figsize(14, 10)) # 5.1 选择布局 pos nx.spring_layout(DG, seed42, k1.5) # k参数调节节点间距 # 5.2 绘制所有节点和边作为背景 nx.draw_networkx_nodes(DG, pos, node_colorlightblue, node_size800, alpha0.6) nx.draw_networkx_edges(DG, pos, edge_colorgray, width1.5, connectionstylearc3,rad0.1, # 使有向边带弧度避免重叠 arrowsize15, arrowstyle-) nx.draw_networkx_labels(DG, pos, font_size12, font_weightbold) # 5.3 高亮关键节点介数中心性Top3 top_nodes sorted(betweenness, keybetweenness.get, reverseTrue)[:3] nx.draw_networkx_nodes(DG, pos, nodelisttop_nodes, node_colorred, node_size1000, alpha0.9) # 5.4 高亮最短路径 if shortest_path in locals(): path_edges list(zip(shortest_path[:-1], shortest_path[1:])) nx.draw_networkx_edges(DG, pos, edgelistpath_edges, edge_colorgreen, width4, alpha0.9, connectionstylearc3,rad0.1, arrowsize20) nx.draw_networkx_nodes(DG, pos, nodelistshortest_path, node_colorgreen, node_size800, alpha0.9) # 为路径添加流动感渐变箭头 for i, (u, v) in enumerate(path_edges): nx.draw_networkx_edges(DG, pos, edgelist[(u, v)], edge_colorlime, width3, alpha0.7-(i*0.1), connectionstylearc3,rad0.1, arrowsize18) # 5.5 添加图例和标题 from matplotlib.patches import Patch, FancyArrowPatch import matplotlib.lines as mlines legend_elements [ Patch(facecolorred, alpha0.9, label关键节点 (高介数中心性)), Patch(facecolorgreen, alpha0.9, label最短路径节点), mlines.Line2D([], [], colorgreen, linewidth4, label最短路径), mlines.Line2D([], [], colorgray, linewidth1.5, label普通线路) ] plt.legend(handleslegend_elements, locupper left, fontsize10) plt.title(Regional Power Grid Analysis: Critical Nodes Optimal Path (A - J), fontsize16, pad20) plt.axis(off) plt.tight_layout() # 步骤6: 保存高质量图片用于论文 plt.savefig(power_grid_analysis.png, dpi300, bbox_inchestight) plt.show() # 步骤7: 输出详细分析报告 print(\n *50) print(分析报告摘要) print(*50) print(f1. 网络连通性: 该有向网络是{强连通 if nx.is_strongly_connected(DG) else 弱连通}的。) print(f2. 关键枢纽: 节点 {top_nodes[0]} 的介数中心性最高({betweenness[top_nodes[0]]:.4f})是网络中最关键的枢纽。) print(f3. 最优传输路径: A - J 的最短路径为 {shortest_path}总长度为 {shortest_path_length} km。) print(4. 可视化说明: 红色节点为关键节点绿色路径为最优路径。) print(*50)6. 性能优化与大规模网络处理技巧当节点和边数量上升到成千上万时基础的NetworkX操作可能会变慢。以下是一些实战优化技巧6.1 使用合适的数据结构对于超大规模网络百万级边考虑使用nx.Graph时指定create_usingnx.Graph(nx.parse_edgelist(...))直接从文件流式读取避免将整个边列表加载到内存。对于需要频繁检查边是否存在或查询边属性的场景如果图非常稠密将图转换为邻接矩阵或使用np.array存储可能更快但这会牺牲灵活性。6.2 算法选择与近似计算最短路径对于单源问题坚持使用Dijkstra。对于所有节点对问题当节点数N很大时Floyd-Warshall的O(N^3)复杂度不可接受。可以考虑只计算部分节点对。使用nx.all_pairs_dijkstra_path_length它内部对每个节点调用Dijkstra但可以利用稀疏图特性。对于近似解研究A*算法如果存在启发式函数或考虑使用更专业的图计算库。中心性计算精确计算介数中心性的复杂度极高O(N*E)。对于大规模网络使用nx.betweenness_centrality(G, k100)进行采样估算。通过随机抽取k个节点作为源点进行计算能在可接受误差内大幅提升速度。考虑其他可扩展性更好的中心性指标如PageRank(nx.pagerank)。6.3 可视化优化绘制上万节点的图会非常缓慢且杂乱。解决方案抽样绘制只绘制一个子图或通过社区检测后绘制每个社区的代表节点。使用专业可视化工具对于探索性分析将图数据导出用Gephi、Cytoscape等专业软件进行可视化。NetworkX可以轻松导出为GEXF等格式。nx.write_gexf(G, network.gexf) # 用Gephi打开静态图与聚合如果必须用Matplotlib考虑绘制节点的度分布直方图、社区结构热力图或使用边捆绑技术的简化图而不是绘制所有边。6.4 常见陷阱与排查权重属性名不一致确保所有边的权重都使用相同的属性名如weight。dijkstra_path默认找weight属性。如果你的权重叫length或cost需要使用weightlength参数显式指定。有向图与无向图混淆这是最常见的错误。再次检查你的问题是否需要方向。nx.shortest_path在无向图上工作但在有向图上会忽略方向。对有向图务必使用nx.dijkstra_path并确认图是DiGraph。坐标重叠与布局spring_layout的结果每次可能不同使用seed参数固定随机数种子以保证可重现性。如果布局结果不理想可以尝试多次运行或调整k参数节点间理想距离或换用kamada_kawai_layout它通常能产生更稳定的布局。内存不足处理极大图时注意使用G.copy()而不是直接赋值来复制图避免内存翻倍。及时使用del删除不再需要的中间变量。考虑使用nx.read_edgelist的create_usingnx.Graph参数来流式构建图。掌握NetworkX的诀窍在于理解其背后的图论概念并知道如何将实际问题映射到这些概念上。从简单的网络构建到复杂的路径分析和中心性计算再到最终具有说服力的可视化呈现它提供了一条完整的分析链路。在数学建模或工程分析中这不仅能帮你快速得出结果更能让你的解决方案拥有扎实的理论基础和美观的专业表达。多动手实践从模仿文中的代码开始逐步将其应用到自己的具体问题中去你很快就能成为网络分析的高手。