第三章：Python网络分析工具

做风险敞口网络分析，工具选型是个绕不开的话题。我这些年折腾过不少库，踩过坑也绕过弯。今天就跟大家聊聊NetworkX、igraph，还有可视化工具怎么选。

说实话，这三个工具各有脾气。你想想看，NetworkX就像瑞士军刀，功能全但跑大图会喘；igraph是跑车，速度快但学习曲线陡；可视化工具嘛，Matplotlib是老干部，Plotly是潮小伙。咱们一个一个说。

3.1 NetworkX：入门首选

NetworkX是我用得最多的库。为什么？因为它最符合Python直觉。你创建一个图，加节点，加边，就跟搭积木一样自然。

我举个例子。假设我们要分析5家银行之间的风险敞口网络：

import networkx as nx
import matplotlib.pyplot as plt

# 创建一个有向图
G = nx.DiGraph()

# 添加节点（银行）
banks = ['工商银行', '建设银行', '农业银行', '中国银行', '交通银行']
G.add_nodes_from(banks)

# 添加边（风险敞口，单位：亿元）
edges = [
    ('工商银行', '建设银行', 150),
    ('工商银行', '农业银行', 80),
    ('建设银行', '中国银行', 120),
    ('农业银行', '交通银行', 60),
    ('中国银行', '工商银行', 200),
    ('交通银行', '建设银行', 90)
]
G.add_weighted_edges_from(edges)

# 查看基本信息
print(f"节点数: {G.number_of_nodes()}")
print(f"边数: {G.number_of_edges()}")
print(f"节点列表: {list(G.nodes())}")

# 计算每个节点的度（风险敞口总规模）
for node in G.nodes():
    in_degree = G.in_degree(node, weight='weight')
    out_degree = G.out_degree(node, weight='weight')
    print(f"{node}: 流入敞口={in_degree}亿, 流出敞口={out_degree}亿")

3.2 igraph：性能怪兽

igraph是用C写的，Python只是它的一个壳。说白了，它把最耗时的计算部分用C实现，Python只负责调用。所以速度能快10-100倍。

特性	NetworkX	igraph
底层实现	纯Python	C语言
安装难度	pip install networkx	可能需要编译
10万节点性能	较慢	快速
API风格	Pythonic	偏R风格
社区生态	丰富	相对较少

igraph的API跟NetworkX不太一样。它用g.vs表示顶点序列，g.es表示边序列。刚开始用会有点别扭，但习惯了也挺顺手。

import igraph as ig

# 创建图
g = ig.Graph(directed=True)

# 添加节点
g.add_vertices(5)

# 添加边（用索引表示节点）
g.add_edges([(0,1), (0,2), (1,3), (2,4), (3,0), (4,1)])

# 设置权重
g.es['weight'] = [150, 80, 120, 60, 200, 90]

# 设置节点名称
g.vs['name'] = ['工商银行', '建设银行', '农业银行', '中国银行', '交通银行']

# 计算PageRank
pagerank = g.pagerank(weights='weight')
for i, name in enumerate(g.vs['name']):
    print(f"{name}: PageRank = {pagerank[i]:.4f}")

3.3 可视化工具选型

做风险敞口网络分析，可视化不是锦上添花，而是刚需。你想想看，给老板汇报时，光扔一堆数字谁看得懂？一张网络图胜过千言万语。

Matplotlib：稳如老狗

Matplotlib是Python可视化的基石。NetworkX默认就用它画图。优点是稳定、可控性强，缺点是静态图、交互性差。

import matplotlib.pyplot as plt

# 使用NetworkX自带的布局算法
pos = nx.spring_layout(G, seed=42, k=0.5)

plt.figure(figsize=(10, 8))
nx.draw_networkx_nodes(G, pos, node_size=2000, node_color='lightblue')
nx.draw_networkx_labels(G, pos, font_size=12, font_weight='bold')
nx.draw_networkx_edges(G, pos, width=2, edge_color='gray', 
                       arrows=True, arrowsize=20)
nx.draw_networkx_edge_labels(G, pos, edge_labels={(u,v): f'{d["weight"]}亿' 
                              for u,v,d in G.edges(data=True)})

plt.title('银行间风险敞口网络（Matplotlib）', fontsize=16)
plt.axis('off')
plt.tight_layout()
plt.show()

Plotly：交互为王

Plotly的优势在于交互。你可以缩放、拖拽、悬停查看数据。做汇报时特别有用，老板可以自己点着看。

import plotly.graph_objects as go

# 获取节点位置
pos = nx.spring_layout(G, seed=42, k=0.5)

# 构建边的轨迹
edge_trace = []
for u, v, d in G.edges(data=True):
    x0, y0 = pos[u]
    x1, y1 = pos[v]
    edge_trace.append(go.Scatter(
        x=[x0, x1, None], y=[y0, y1, None],
        mode='lines',
        line=dict(width=d['weight']/50, color='gray'),
        hoverinfo='none'
    ))

# 构建节点的轨迹
node_x = [pos[node][0] for node in G.nodes()]
node_y = [pos[node][1] for node in G.nodes()]
node_trace = go.Scatter(
    x=node_x, y=node_y,
    mode='markers+text',
    text=list(G.nodes()),
    textposition='top center',
    marker=dict(size=30, color='lightblue', line=dict(width=2))
)

fig = go.Figure(data=edge_trace + [node_trace],
                layout=go.Layout(
                    title='银行间风险敞口网络（Plotly交互版）',
                    showlegend=False,
                    hovermode='closest'
                ))
fig.show()

3.4 我的实战心得

做了这么多年风控，我总结了一套选型原则：

1. 数据量小于1万节点 → 无脑NetworkX + Matplotlib
2. 数据量1万到10万节点 → igraph做计算，Plotly做可视化
3. 数据量超过10万节点 → 考虑图数据库（Neo4j）或分布式方案

嗯，这里要注意一点。很多新手喜欢一上来就搞复杂的可视化，结果数据还没清洗干净。我个人习惯是：先用NetworkX快速验证逻辑，确认网络结构没问题了，再上Plotly做精美展示。

最后说一句，工具只是手段。真正重要的是你对风险敞口网络的理解——哪些节点是系统重要性机构？哪些路径是风险传导的关键通道？这些分析思路，比任何工具都值钱。