4、网络可视化基础：Matplotlib绘图、NetworkX绘图基础、布局算法

好，咱们进入第四章。网络可视化，说白了就是让数据「开口说话」。你模型建得再漂亮，算法跑得再快，最后拿不出一张像样的图，别人根本看不懂你在干什么。我当年做金融风控网络时，第一版图出来跟一团乱麻似的，被业务老大当场怼了一句「这玩意儿能看？」——嗯，从那以后，我老老实实把可视化基本功练扎实了。

这一章，咱们就搞定三件事：Matplotlib打底、NetworkX画图、布局算法调颜值。别急，一个一个来。

4.1 Matplotlib：可视化的「地基」

Matplotlib 是 Python 可视化的老大哥。虽然现在各种花哨库很多，但底层渲染基本都靠它。我个人习惯，不管用啥高级库，最后调细节时还是得回到 Matplotlib 的 API 上。

4.1.1 基本绘图流程

先看一个最简单的例子：

import matplotlib.pyplot as plt
import numpy as np

# 创建画布
fig, ax = plt.subplots(figsize=(8, 6))

# 画点
x = [1, 2, 3, 4, 5]
y = [2, 4, 1, 5, 3]
ax.scatter(x, y, color='blue', s=100, label='节点')

# 加标签
ax.set_title('金融网络节点分布')
ax.set_xlabel('风险维度X')
ax.set_ylabel('风险维度Y')
ax.legend()

plt.show()

这里有个坑——plt.show() 在 Jupyter 里会自动显示，但在脚本里跑会阻塞。我建议你在调试时用 plt.savefig() 直接存图，省得每次都要关窗口。

4.1.2 颜色与样式控制

金融网络里，节点颜色往往代表不同含义——比如红色代表高风险，绿色代表低风险。你可以用 cmap 映射：

import matplotlib.cm as cm

risk_scores = [0.1, 0.5, 0.8, 0.3, 0.9]
colors = cm.RdYlGn(risk_scores)  # 红黄绿渐变色

ax.scatter(x, y, c=colors, s=200, edgecolors='black')

我曾经在项目里用错颜色映射，把高风险标成了蓝色，结果业务方看了半天说「这些蓝点是不是很安全？」——嗯，从那以后我每次都会检查颜色语义。

4.2 NetworkX：网络图的「瑞士军刀」

NetworkX 是 Python 里最常用的网络分析库。它内置了绘图功能，但说实话，默认样式挺丑的。不过别担心，咱们可以调。

4.2.1 创建并绘制简单网络

import networkx as nx

# 创建空图
G = nx.Graph()

# 添加节点和边
G.add_nodes_from([1, 2, 3, 4, 5])
G.add_edges_from([(1,2), (2,3), (3,4), (4,5), (5,1)])

# 绘制
pos = nx.spring_layout(G)  # 布局算法，后面细讲
nx.draw(G, pos, with_labels=True, node_color='lightblue', 
        node_size=500, font_size=12, font_weight='bold')

plt.show()

你看，核心就三行：建图、算布局、画图。但实际项目中，图往往有几百上千个节点，这时候就得注意性能了。

4.2.2 自定义节点和边

金融网络里，节点大小可以代表交易金额，边粗细代表交易频次：

# 假设节点权重
node_weights = {1: 100, 2: 50, 3: 200, 4: 80, 5: 150}
node_sizes = [w * 5 for w in node_weights.values()]

# 边权重
edge_weights = {(1,2): 10, (2,3): 5, (3,4): 20, (4,5): 8, (5,1): 15}
edge_widths = [w * 0.5 for w in edge_weights.values()]

nx.draw_networkx_nodes(G, pos, node_size=node_sizes, node_color='orange')
nx.draw_networkx_edges(G, pos, width=edge_widths, alpha=0.6)
nx.draw_networkx_labels(G, pos, font_size=10)

这样画出来的图，一眼就能看出哪些节点是「大玩家」，哪些交易是「高频通道」。我当年做反洗钱项目时，就是用这种可视化方式，帮分析师快速定位异常交易模式。

4.3 布局算法：让网络「长」得好看

布局算法决定了节点在画布上的位置。同一个网络，用不同布局，视觉效果天差地别。我个人经验是：没有最好的布局，只有最合适的布局。

4.3.1 常见布局算法对比

布局算法	特点	适用场景	速度
spring_layout	力导向，节点互相排斥，边像弹簧	中小型网络，社区结构明显	中等
circular_layout	节点均匀分布在圆环上	环形结构、对称网络	极快
kamada_kawai_layout	基于距离的力导向，更稳定	需要保持距离比例的网络	较慢
spectral_layout	基于拉普拉斯矩阵特征向量	大型网络，社区发现后可视化	快
random_layout	随机分布	调试用，别当真	最快

为什么会这样？因为不同布局算法背后的数学假设不同。spring_layout 模拟物理力学，适合展示社区结构；spectral_layout 基于图论，适合展示全局结构。

4.3.2 实战：选对布局

假设你有一个金融交易网络，包含 50 个节点，明显分成 3 个社区：

# 生成示例网络
G = nx.barbell_graph(20, 10)  # 两个社区加中间连接

# 试试不同布局
layouts = {
    'spring': nx.spring_layout(G, seed=42),
    'circular': nx.circular_layout(G),
    'kamada_kawai': nx.kamada_kawai_layout(G),
    'spectral': nx.spectral_layout(G)
}

fig, axes = plt.subplots(2, 2, figsize=(12, 12))
for ax, (name, pos) in zip(axes.flatten(), layouts.items()):
    nx.draw(G, pos, ax=ax, node_color='lightgreen', 
            node_size=100, with_labels=False)
    ax.set_title(name)
plt.tight_layout()
plt.show()

你想想看，spring_layout 会把两个「杠铃头」分开，中间连接部分拉长；circular_layout 则把所有节点均匀排布，看不出社区结构。所以，选布局前，先想清楚你想表达什么。

4.3.3 布局调参技巧

spring_layout 有几个关键参数：

• k：节点间的理想距离，默认 1/sqrt(n)。调小会让图更紧凑。
• iterations：迭代次数，默认 50。调大能让布局更稳定，但更慢。
• seed：随机种子。固定后每次布局结果一致，方便复现。

我曾经在做一个 200 节点的网络时，默认布局一团乱麻。后来把 k 从 0.07 调到 0.15，iterations 加到 200，图瞬间清晰了。嗯，调参这种事，有时候就是试出来的。

4.4 本章小结

这一章咱们走通了网络可视化的三条路：

• Matplotlib 打地基，控制颜色、大小、样式
• NetworkX 画网络，节点、边、标签随心配
• 布局算法 定颜值，选对布局比啥都重要

记住一句话：可视化是给人看的，不是给机器看的。你画出来的图，要让一个不懂技术的业务人员也能一眼看出「哦，这几个节点关系很紧密」「这条边交易量很大」。能做到这一点，你的可视化就成功了。

下一章咱们会把这些可视化技巧，用到真实的金融网络数据上。到时候你会发现，原来那些枯燥的交易记录，画出来竟然这么有意思。

---