嗨，我来帮你搞定这个问题！你已经完成了带属性节点图的创建，也算出了节点间的余弦相似度邻接矩阵，接下来只需要遍历这个矩阵，把对应的边和相似度属性添加到NetworkX图里就行，具体实现方法如下：

核心实现思路 #

因为你用的是无向图（nx.Graph()），节点对(u, v)和(v, u)属于同一条边，为了避免重复添加边浪费资源，我们可以只遍历不重复的节点对，再从邻接矩阵中取出对应的相似度值，作为边的属性添加到图中。

具体代码实现 #

推荐用itertools.combinations生成所有无序的不重复节点对，这种方式效率最高：

import itertools

# 遍历所有不重复的节点对（仅生成u < v的组合，避免重复）
for u, v in itertools.combinations(adj_mat.index, 2):
    # 从邻接矩阵中获取u和v之间的余弦相似度
    similarity_value = adj_mat.loc[u, v]
    # 向图中添加边，并设置similarity属性
    G.add_edge(u, v, similarity=similarity_value)

验证结果 #

添加完成后，你可以通过以下代码查看某条边的属性，比如验证节点1和节点2的相似度：

print(G.edges[1, 2]['similarity'])

可选：过滤低相似度边 #

如果图的节点数量较多，不想保留所有相似度的边，可以设置一个阈值，只添加相似度高于阈值的边，比如只保留相似度>0.5的边：

similarity_threshold = 0.5

for u, v in itertools.combinations(adj_mat.index, 2):
    similarity_value = adj_mat.loc[u, v]
    if similarity_value > similarity_threshold:
        G.add_edge(u, v, similarity=similarity_value)

另一种遍历方式（适合小图） #

如果你的节点数量很少，也可以用双重循环遍历所有节点对（注意跳过节点自身的连接）：

for u in adj_mat.index:
    for v in adj_mat.columns:
        if u != v:
            similarity_value = adj_mat.loc[u, v]
            G.add_edge(u, v, similarity=similarity_value)

不过这种方式会重复处理(u, v)和(v, u)，虽然NetworkX会自动忽略重复的边，但效率不如第一种方法，所以更推荐用itertools.combinations的方式。

内容的提问来源于stack exchange，提问作者SteveS