网络图简介
网络图（Network Graph）是表示实体间关系的强大工具。在数学中称为图论（Graph Theory）， 由节点（Nodes/Vertices）和边（Edges）组成。网络无处不在—— 社交网络中人与人的联系、互联网中服务器的连接、生物网络中蛋白质的相互作用、 交通网络中城市间的路线，都可以用网络图来建模和分析。 NetworkX是Python中最流行的网络分析库，提供了丰富的图算法和可视化工具。
🔵 节点（Nodes）
代表实体或对象。
可以是人、城市、基因、单词等。
可以有属性（位置、权重等）。
➡️ 边（Edges）
代表关系或连接。
可以有向或无向。
可以有权重（距离、强度等）。
📊 图类型
完全图、随机图、树、网格
二部图、多部图、有向图
加权图、多重图等
交互式网络图探索
通过调整图类型、节点数量和布局算法，直观理解不同网络结构的特征。 观察度数和中心性如何影响节点的重要性。
🕸️ 网络图探索器（NetworkX）
调整图类型、节点数量和布局算法，探索网络图的结构和美学
📊 图信息
节点数: 15
边数: 28
平均度数: 3.73
🎨 布局说明
力导向：斥力+引力平衡
🎯 探索建议
- • 完全图K_n：n个节点，n(n-1)/2条边
- • 随机图：调整边密度观察连通性变化
- • 树：无环连通图，n-1条边
- • 星形图：中心节点度数=n-1
- • 力导向布局最适合随机图
📐 布局算法
- • 力导向：模拟物理弹簧系统
- • 圆形：节点均匀分布在圆周
- • 网格：规则矩形排列
- • 辐射：按度数分层展开
🔗 随机几何图
Random Geometric Graph - 基于空间距离的网络连接
📊 图统计
节点数：30
边数：49
平均度数：3.27
最大度数：6
📐 空间网络
节点随机分布在空间中
距离小于阈值则连边
🎨 度数可视化
节点颜色深度表示度数
节点大小与度数成正比
🌐 应用场景
无线网络、社交网络
传感器网络、流行病传播
💡 核心概念：随机几何图(RGG)模拟了物理空间中的网络。节点位置随机，只有距离足够近的节点才会连接。 这种模型广泛用于无线通信、社交网络分析等领域。
🏗️ 多部图
Multipartite Graph - 分层网络结构
各层节点数
📊 图统计
层数：5
总节点数：19
总边数：56
🧠 神经网络
输入层→隐藏层→输出层
层间全连接
🏢 组织架构
CEO→部门→团队→员工
层级结构
📊 二分图
用户-商品、作者-论文
两类节点的关联
💡 多部图：节点被划分为多个不相交的集合（层），边只存在于不同层的节点之间。 这种结构广泛用于建模层级系统、推荐系统、神经网络等。
🌈 完全图与彩虹着色
Complete Graph & Rainbow Coloring - Ringel猜想可视化
选择奇数节点以满足Ringel猜想条件
🎨 彩虹着色规则
边的颜色由节点在环上的最短距离决定：
📐 Ringel猜想
猜想内容：任何有2n+1个节点的完全图， 都可以被n+1个节点的任意树完美覆盖。
状态：2020年已被证明为真！
Kₙ 完全图
n个节点两两相连
边数 = n(n-1)/2
圆对称性
环形布局利用旋转对称
简化着色和分析
图论应用
调度、锦标赛、分解
组合设计
💡 可视化意义：彩虹着色不仅美观，更揭示了完全图的结构。同色边形成特定模式（正多边形）， 这种对称性是证明Ringel猜想的关键工具。
🔺 三元组类型
Triad Types - 有向网络中的16种三节点结构
📊 命名规则
3位数字：互惠对数、非对称对数、空对数
字母后缀：
U=上行(Up)、D=下行(Down)
C=循环(Cyclic)、T=传递(Transitive)
🔬 社会网络分析
三元组是分析社会结构的基本单位。
300：完全互惠群体
030T：传递性（朋友的朋友）
030C：循环性（层级结构）
💡 三元组普查：通过统计网络中各类三元组的数量，可以揭示网络的结构特征。 例如，传递三角(030T)多表示"朋友的朋友也是朋友"的社交特性， 而循环三角(030C)多则暗示层级或竞争关系。
Atlas 图集
图集（Graph Atlas）收录了所有6个节点以下的非同构连通图，共142个。 这是图论研究的基础数据库，用于分类和识别小型图结构。 使用Graphviz的neato布局算法进行可视化。
📚 技术要点
- •
nx.graph_atlas_g(): 获取图集 - • 过滤：跳过0-2节点（无边）
- • 同构检测：
GraphMatcher - • 不相交并集：
disjoint_union
🎨 可视化
- • Graphviz neato布局（物理模拟）
- • 连通分量随机着色
- • 小节点（node_size=40）
- • 无标签（with_labels=False）
Chess Masters 国际象棋大师网络
基于1886-1985年世界国际象棋锦标赛的685场比赛构建的多重有向图（MultiDiGraph）。 节点代表棋手，有向边代表比赛（白棋→黑棋），边包含比赛日期、结果、开局代码等信息。 这是分析竞技网络的经典案例。
🔢 数据结构
节点：棋手姓名
边：多重有向边
属性：Event, Date, Result, ECO, Site
📊 可视化编码
边宽度：∝ 比赛场次
节点大小：∝ 获胜次数
布局：Kamada-Kawai
🎯 分析示例
ECO开局分类
Sicilian Najdorff变化
"Poisoned Pawn"战术
Knuth Miles 里程图
来自Donald Knuth《Stanford GraphBase》的经典地理网络数据集， 包含美国128个城市及其间的距离。每个节点有经纬度和人口属性， 边的权重是城市间的里程数。通过筛选距离<300英里的边， 构建区域连通性网络。
🗺️ 节点属性
- •
position: (经度, 纬度) - •
population: 人口（千人） - • 坐标转换：字符串→浮点/100
🎨 地图可视化
- • Cartopy地图背景（Lambert投影）
- • 节点颜色∝度数（连接城市数）
- • 节点大小∝人口
- • 边：距离<300英里
Betweenness Centrality 介数中心性
基于WormNet v.3数据集的秀丽隐杆线虫（C. elegans）基因功能关联网络。 介数中心性（Betweenness Centrality）衡量节点在网络中的"桥梁"作用—— 即有多少最短路径经过该节点。高介数中心性的基因往往在生物过程中起关键调控作用。
🧬 生物网络特征
- • 数据源：WormNet基因关联
- • 节点：基因
- • 边：功能关联（正相关）
- • 过滤：度数<10的节点
📊 分析方法
- •
betweenness_centrality() - • 社区检测：label propagation
- • 节点颜色∝社区ID
- • 节点大小∝中心性
其他网络类型与布局
🌳 Circular Tree 环形树
平衡树（branching factor=3, depth=5）使用Graphviz twopi布局， 节点呈辐射状排列，适合展示层次结构。
nx.balanced_tree(3, 5)
nx.nx_agraph.graphviz_layout(G, prog='twopi')
🌐 LANL Routes 路由网络
从186个Internet站点到洛斯阿拉莫斯国家实验室（LANL）的路由。 节点颜色表示往返时间（RTT），展示网络延迟分布。
node_color = [G.rtt[v] for v in G]
🎨 Rainbow Coloring 彩虹着色
完全图K₁₃的边按节点距离着色（6种颜色）。 与Ringel猜想相关：任何2n+1节点的完全图可以被n+1节点的树覆盖。
edge_color by node_dist
📐 Multipartite Graph 多部图
8层多部图，相邻层之间完全连接。 每层不同颜色和节点数，展示分层网络结构。
nx.multipartite_layout(G, subset_key='layer')
📍 Random Geometric Graph 随机几何图
200个节点随机分布在单位正方形，距离<0.125则连边。 节点颜色表示到中心节点的最短路径长度。
nx.random_geometric_graph(200, 0.125)
🔺 Triad Types 三元组类型
有向图中的16种三元组关系。MAN分类法（Mutual/Asymmetric/Null dyads） + 方向标注（U/D/C/T），用于社会网络分析。
003, 012, 102, 021D, 021U, 030T...
🚗 TSP 旅行商问题
20个节点的旅行商问题，使用Christofides算法求近似解。 红色路径是TSP路线，蓝色边是几何邻接关系。
nx_app.christofides(G, weight='weight')
📝 Words/Ladder Graph 单词阶梯
5757个5字母英文单词，差1个字母则连边（14,135条边）。 展示最短路径：chaos→order, nodes→graph等。
edit_distance_one(word)
🔍 Beam Search 束搜索
渐进式加宽束搜索算法，寻找高特征向量中心性的节点。 束宽度指数增长（1, 2, 4, 8...），直到找到目标。
nx.bfs_beam_edges(G, source, value, width)
💡 核心洞察
网络图是21世纪最重要的数据结构和分析工具之一。它超越了传统的表格和矩阵， 能够直观地表示复杂的关系和结构。从六度分离理论（Six Degrees of Separation） 到PageRank算法，从社交网络分析到蛋白质相互作用网络，图论为理解复杂系统 提供了统一的语言和工具。NetworkX库的强大之处在于将抽象的图论算法 转化为简洁的Python代码，让研究者能够快速实现从图构建、分析到可视化的完整流程。
图的可视化不仅是美学问题，更是认知科学问题。不同的布局算法揭示图的不同性质： 力导向布局通过模拟物理系统找到平衡状态，适合展示社区结构； 环形布局强调对称性和周期性；层次布局揭示树形或有向无环图的结构； 地理布局保留空间约束。选择合适的布局算法，就像选择合适的坐标系一样重要—— 它决定了我们能从数据中看到什么模式。介数中心性、PageRank、 社区检测等图算法，则从定量角度刻画了网络的结构特征。
本章展示的13个NetworkX示例覆盖了图论的核心概念和应用场景。 Chess Masters网络展示了竞技网络中的主导关系；Knuth Miles图展示了 地理约束下的网络结构；WormNet基因网络揭示了生物系统的模块化组织； Words Ladder图证明了语言的网络性质。这些真实世界的网络都具有 小世界性质（Small-world Property）——高聚类系数和短平均路径长度， 以及无标度性质（Scale-free Property）——度分布服从幂律。 理解这些普遍性质，有助于我们设计更鲁棒的网络、预测网络演化、 识别关键节点、发现社区结构。
从数据可视化的角度看，网络图是"关系可视化"的典范。 与展示数值大小的条形图、折线图不同，网络图专注于展示"谁与谁相连"。 节点的大小、颜色、形状可以编码属性；边的粗细、颜色、样式可以编码权重或类型； 整体的布局可以编码结构或层次。通过交互式可视化，用户可以探索局部结构、 过滤噪声、高亮路径、动态演化。在大数据时代，网络图不仅是研究工具， 更是思维工具——它帮助我们从"孤立的点"转向"连接的网"， 从"个体行为"转向"涌现性质"，从"线性因果"转向"网络效应"。 掌握网络图分析，就是掌握理解复杂世界的新视角。