4、NetworkX入门：创建图、添加节点和边、图的基本属性查看、图的绘制基础

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、度、路径……说实话，光看理论容易晕。我自己的经验是，上手敲代码才是最快的学习方式。今天我们就用Python里最经典的NetworkX库，把那些抽象的概念变成实实在在能跑、能看的东西。

4.1 安装与导入：准备工作

NetworkX是Python的第三方库，安装很简单。我个人习惯用pip，一行命令搞定：

pip install networkx matplotlib

这里顺便把matplotlib也装上，因为后面画图要用到它。嗯，注意一下，如果你用的是Anaconda环境，可能已经自带了这两个库，可以跳过安装步骤。

导入的时候，我一般这样写：

import networkx as nx
import matplotlib.pyplot as plt

为什么要起别名？说白了就是图个方便。后面每次调用nx.Graph()比敲networkx.Graph()省事多了，你试试就知道。

4.2 创建图：空图起步

创建一个空图，就像准备一张白纸。代码极其简单：

G = nx.Graph()  # 创建一个无向图
print(type(G))  # <class 'networkx.classes.graph.Graph'>

这里创建的是无向图。如果你需要处理有向关系（比如资金流向、A给B转账），那就用nx.DiGraph()。我在做反欺诈项目时，经常用有向图来追踪资金链路，这个后面会细讲。

另外还有nx.MultiGraph()和nx.MultiDiGraph()，支持两个节点之间有多条边。比如两个人之间既有微信转账又有支付宝转账，就可以用多重图来表示。不过刚开始学，咱们先聚焦在基础的无向图上。

4.3 添加节点和边：给图注入灵魂

图建好了，接下来就是往里塞东西。节点和边是图的两个基本元素，咱们一个一个来。

4.3.1 添加节点

添加单个节点：

G.add_node(1)          # 添加一个节点，标签为1
G.add_node("Alice")    # 节点可以是字符串
G.add_node((1, 2))     # 甚至可以是元组

添加多个节点：

G.add_nodes_from([2, 3, 4, "Bob"])

节点可以是任何可哈希的对象。整数、字符串、元组都行，但列表不行。为什么？因为列表是可变的，不能作为字典的键。NetworkX底层就是用字典来存节点的，这个细节你了解一下就好，不用死记。

4.3.2 添加边

添加一条边：

G.add_edge(1, 2)          # 在节点1和2之间连一条边
G.add_edge("Alice", "Bob")

添加多条边：

edges = [(1, 2), (2, 3), (3, 4), (1, 4)]
G.add_edges_from(edges)

这里有个小细节：如果添加边时，两端的节点还不存在，NetworkX会自动帮你创建这些节点。比如：

G.add_edge(5, 6)  # 节点5和6会自动添加到图中

这个特性挺方便的，但有时候也会带来隐患。我曾经在项目中因为拼写错误，不小心多了一个节点，排查了半天才发现。所以建议你养成好习惯：先加节点，再加边，或者至少确认节点名称是正确的。

4.3.3 带属性的节点和边

现实中的金融网络，节点和边往往带有额外信息。比如一个节点代表一家公司，它可能有“市值”、“行业”等属性；一条边代表一笔交易，可能有“金额”、“时间”等属性。NetworkX支持给节点和边添加属性：

# 添加带属性的节点
G.add_node("腾讯", 市值=45000, 行业="科技")
G.add_node("阿里", 市值=40000, 行业="科技")

# 添加带属性的边
G.add_edge("腾讯", "阿里", 金额=5000, 时间="2024-01-15")

属性可以随时查看和修改。我个人觉得，属性是让图变得“有血有肉”的关键。没有属性的图只是一堆点和线，有了属性，它才能反映真实世界的复杂关系。

4.4 图的基本属性查看：你的图长什么样？

图建好了，怎么知道它里面有什么？NetworkX提供了一系列查看属性的方法。我挑几个最常用的：

举个例子，咱们把刚才创建的图拿出来看看：

print("节点列表:", list(G.nodes()))
print("边列表:", list(G.edges()))
print("节点数量:", G.number_of_nodes())
print("边的数量:", G.number_of_edges())
print("每个节点的度:", dict(G.degree()))

输出结果：

节点列表: [1, 2, 3, 4, 'Alice', 'Bob', '腾讯', '阿里']
边列表: [(1, 2), (2, 3), (3, 4), (1, 4), ('Alice', 'Bob'), ('腾讯', '阿里')]
节点数量: 8
边的数量: 6
每个节点的度: {1: 2, 2: 2, 3: 2, 4: 2, 'Alice': 1, 'Bob': 1, '腾讯': 1, '阿里': 1}

看到没？degree()返回的是一个字典，键是节点，值是该节点的度。度这个概念，咱们前面讲过，就是节点连接的边的数量。这里节点1的度是2，因为它连接了节点2和节点4。

4.5 图的绘制基础：一图胜千言

数据看完了，但说实话，光看数字不够直观。尤其是当图比较大的时候，你很难从数字中看出结构。这时候就需要画图了。

NetworkX本身不负责绘图，它把绘图的任务交给了matplotlib。不过它提供了一套非常方便的封装，让你几行代码就能出图。

4.5.1 最简单的画法

nx.draw(G, with_labels=True)
plt.show()

就这么两行，一张图就出来了。with_labels=True表示在节点上显示标签（也就是节点的名称）。如果不加这个参数，节点就是一个个小圆点，你分不清谁是谁。

4.5.2 自定义布局

默认的布局是spring_layout，它模拟了物理弹簧系统，让相互连接的节点靠得更近。效果通常不错，但有时候节点会叠在一起。你可以试试其他布局：

# 圆形布局
pos = nx.circular_layout(G)
nx.draw(G, pos, with_labels=True)
plt.show()

# 分层布局（适合树状结构）
pos = nx.shell_layout(G)
nx.draw(G, pos, with_labels=True)
plt.show()

# 随机布局（不推荐，但了解一下）
pos = nx.random_layout(G)
nx.draw(G, pos, with_labels=True)
plt.show()

我个人最常用的是spring_layout和kamada_kawai_layout。后者在节点数量不多时，布局效果非常漂亮，节点分布均匀，很少重叠。

4.5.3 美化你的图

默认的图是黑白的，有点单调。咱们可以加点颜色和样式：

pos = nx.spring_layout(G, seed=42)  # seed固定随机种子，让每次布局一致

nx.draw_networkx_nodes(G, pos, node_color='skyblue', node_size=500)
nx.draw_networkx_edges(G, pos, edge_color='gray', width=2)
nx.draw_networkx_labels(G, pos, font_size=12, font_color='black')

plt.axis('off')  # 关闭坐标轴
plt.show()

这里我把节点画成天蓝色，边画成灰色，还调整了节点大小和字体。看起来专业多了吧？

4.5.4 带属性的图怎么画？

如果节点有属性，比如“市值”，你可以根据市值大小来调整节点颜色或大小：

# 假设节点有市值属性
node_sizes = [G.nodes[n].get('市值', 100) / 100 for n in G.nodes()]
node_colors = ['red' if G.nodes[n].get('行业') == '科技' else 'blue' for n in G.nodes()]

nx.draw(G, pos, node_size=node_sizes, node_color=node_colors, with_labels=True)
plt.show()

这样，市值大的节点就大，科技行业的节点是红色，其他行业是蓝色。一眼就能看出哪些是“大块头”，哪些是“科技公司”。

4.6 本章知识体系总览

为了让你对本章内容有个整体把握，我画了一张结构图：

4.7 避坑指南：我踩过的几个坑

最后，分享几个我实际项目中遇到的坑，希望能帮你省点时间。

好了，这一章的内容就到这里。你现在应该能自己创建一个图，往里面加节点和边，查看它的基本属性，并且把它画出来了。别光看，打开你的Python环境，敲几行代码试试。动手才是硬道理。