3、Python图计算库入门：NetworkX基础操作、节点与边的增删改查、图的可视化
好，咱们正式开始动手了。
前面聊了那么多图论的概念，什么节点、边、邻接矩阵，听着挺唬人。但说白了，这些东西在Python里，就是几行代码的事。我个人习惯用NetworkX这个库，它是我做图计算时的首选工具。为什么？因为它简单、直观，而且功能强大到能覆盖我工作中90%的需求。
今天这一章，我就带你手把手把NetworkX跑起来。咱们从安装开始，到创建图、增删节点和边，再到把图画出来看。嗯，每一步我都会穿插一些我在实际项目中踩过的坑，你注意听。
3.1 安装与导入：别小看这一步
安装NetworkX非常简单。你只需要打开终端，敲一行命令：
pip install networkx如果你用的是Anaconda环境，也可以用：
conda install networkx我个人建议用pip，因为版本更新更快。我在做基金持仓分析项目时，就遇到过因为conda源里的NetworkX版本太旧，导致某些新功能用不了的情况。后来换成pip安装，问题就解决了。
安装完成后，在Python脚本里导入它：
import networkx as nx通常我还会带上matplotlib，因为后面要画图：
import matplotlib.pyplot as plt%matplotlib inline，这样图才能直接显示在单元格下方。
3.2 创建图：空图、有向图、无向图
NetworkX里最核心的概念就是图（Graph）。你可以把它想象成一个空容器，等着你往里塞节点和边。
创建一个空的无向图：
G = nx.Graph()创建一个空的有向图：
DG = nx.DiGraph()有向图和无向图的区别，你想想看——在基金持仓分析里，如果A基金持有B公司的股票，那这个关系是单向的（A→B），就应该用有向图。如果只是表示两家公司有业务往来，不分谁指向谁，那就用无向图。
我刚开始做图分析时，经常搞混这个。有一次把基金持仓关系建成了无向图，结果分析出来的社区结构完全不对。后来排查了半天才发现是图类型选错了。嗯，这个坑我替你踩过了。
3.3 节点操作：增、删、改、查
图建好了，接下来就是往里加节点。节点可以是一个数字、一个字符串，甚至是一个元组。NetworkX很灵活，几乎任何可哈希的对象都能当节点。
3.3.1 添加节点
# 添加单个节点
G.add_node("易方达基金")
# 添加多个节点
G.add_nodes_from(["华夏基金", "嘉实基金", "广发基金"])
# 添加带属性的节点
G.add_node("招商基金", 规模=500, 成立年份=2002)节点属性这个功能非常实用。我在做基金持仓分析时，会把基金的规模、成立年份、基金经理等信息都作为属性存进去。这样后面做筛选和聚类时，直接按属性过滤就行，不用再查数据库。
3.3.2 删除节点
# 删除单个节点
G.remove_node("广发基金")
# 删除多个节点
G.remove_nodes_from(["华夏基金", "嘉实基金"])3.3.3 修改节点属性
# 修改已有节点的属性
G.nodes["易方达基金"]["规模"] = 600
# 或者直接覆盖
G.add_node("易方达基金", 规模=600, 成立年份=2001)这里有个小技巧：add_node如果节点已存在，不会报错，而是更新属性。所以你可以放心地用它来修改节点信息。
3.3.4 查询节点
# 查看所有节点
print(G.nodes())
# 查看节点数量
print(G.number_of_nodes())
# 查看节点是否存在
print(G.has_node("易方达基金"))
# 查看节点属性
print(G.nodes["易方达基金"])这些查询操作在分析大规模图时非常常用。比如你想知道某个基金是否在图中，或者想遍历所有节点做统计，这些方法就是你的基本工具。
3.4 边操作：增、删、改、查
节点是图的骨架，边才是图的灵魂。没有边，节点就是孤立的点，谈不上什么图分析。
3.4.1 添加边
# 添加单条边
G.add_edge("易方达基金", "贵州茅台")
# 添加多条边
edges = [("易方达基金", "五粮液"), ("华夏基金", "贵州茅台"), ("嘉实基金", "宁德时代")]
G.add_edges_from(edges)
# 添加带权重的边
G.add_edge("易方达基金", "贵州茅台", weight=0.15)权重这个属性，在基金持仓分析里就是持仓比例。比如易方达基金持有贵州茅台15%的仓位，那这条边的weight就是0.15。后面做图算法时，权重会直接影响计算结果。
3.4.2 删除边
# 删除单条边
G.remove_edge("易方达基金", "五粮液")
# 删除多条边
G.remove_edges_from([("华夏基金", "贵州茅台"), ("嘉实基金", "宁德时代")])G.has_edge(u, v) 检查一下边是否存在。
3.4.3 修改边属性
# 修改边的权重
G.edges["易方达基金", "贵州茅台"]["weight"] = 0.20
# 或者用add_edge覆盖
G.add_edge("易方达基金", "贵州茅台", weight=0.20)3.4.4 查询边
# 查看所有边
print(G.edges())
# 查看边数量
print(G.number_of_edges())
# 查看边是否存在
print(G.has_edge("易方达基金", "贵州茅台"))
# 查看边的属性
print(G.edges["易方达基金", "贵州茅台"])3.5 图的可视化：一图胜千言
数据在代码里是冷冰冰的，但画出来就不一样了。NetworkX自带的可视化功能虽然不算华丽，但足够我们用。
3.5.1 基础绘图
# 绘制图
nx.draw(G, with_labels=True)
plt.show()就这么简单。你会看到节点和边被画在画布上，节点上还带着标签。
3.5.2 自定义布局
NetworkX提供了多种布局算法，用来决定节点在画布上的位置。我个人最常用的是spring布局，它模拟了物理弹簧的力学效果，让图看起来更自然。
# 使用spring布局
pos = nx.spring_layout(G, seed=42)
nx.draw(G, pos, with_labels=True, node_color='lightblue', edge_color='gray')
plt.show()你还可以试试circular_layout（圆形布局）、kamada_kawai_layout（力导向布局）等。不同的布局适合不同的场景。比如展示基金与股票的关系，用spring布局能清晰看出聚类结构。
3.5.3 带权重的可视化
# 根据权重调整边的粗细
weights = [G[u][v]['weight'] * 10 for u, v in G.edges()]
nx.draw(G, pos, with_labels=True, width=weights, node_color='lightgreen')
plt.show()这样，持仓比例高的边就会更粗，一眼就能看出哪些是重仓股。
3.6 本章知识体系
下面这张图，是我用SVG画的本章知识结构。你可以把它当作一个快速索引，看看今天都学了什么。
好了，这一章的内容就到这里。你跟着我把代码敲一遍，应该就能掌握NetworkX的基本操作了。下一章咱们会深入图算法，用这些基础操作去解决实际问题。
公众号:蓝海资料掘金营，微信deep3321