如何利用CSV的edge_attr_1_number设置NetworkX边厚度与节点大小

先修正原代码中pos未定义的错误，再按需求实现边粗细和节点大小的自定义逻辑：

步骤1：计算节点总权重（节点大小依据） #

需要统计每个节点作为起点（from）和终点（to）时，edge_attr_1_number的总和，以此作为节点大小的基准：

# 将from和to列转成长格式，方便分组求和
melted = pd.melt(data, id_vars=['edge_attr_1_number'], value_vars=['from', 'to'], value_name='node')
# 按节点分组求和，转成字典格式方便后续调用
node_weights = melted.groupby('node')['edge_attr_1_number'].sum().to_dict()

步骤2：提取边权重（边粗细依据） #

直接从图的边属性中读取edge_attr_1_number，为了让粗细差异更直观，可给数值乘以一个放大系数：

# 提取每条边的属性值，乘以2放大粗细（系数可按需调整）
edge_widths = [G[u][v]['edge_attr_1_number'] * 2 for u, v in G.edges()]

步骤3：完整绘图代码（统一布局+自定义样式） #

先计算节点布局位置，再分别绘制节点、边和标签，确保所有元素使用同一布局：

import networkx as nx
import pandas as pd
import matplotlib.pyplot as plt

# 读取CSV数据
data = pd.read_csv(r"C:\Users\n.philip\Documents\test_mine.csv", sep=";")
# 从DataFrame构建图，保留边属性
G = nx.from_pandas_edgelist(data, source='from', target='to', edge_attr=True)

# 计算节点总权重，转化为节点大小（乘以100放大视觉效果）
melted = pd.melt(data, id_vars=['edge_attr_1_number'], value_vars=['from', 'to'], value_name='node')
node_weights = melted.groupby('node')['edge_attr_1_number'].sum().to_dict()
node_sizes = [node_weights[node] * 100 for node in G.nodes()]

# 提取并放大边的粗细
edge_widths = [G[u][v]['edge_attr_1_number'] * 2 for u, v in G.edges()]

# 计算节点布局（seed固定布局，方便重复查看）
pos = nx.spring_layout(G, seed=42)

# 依次绘制节点、边、标签
nx.draw_networkx_nodes(G, pos, node_color='Green', node_size=node_sizes)
nx.draw_networkx_edges(G, pos, width=edge_widths)
nx.draw_networkx_labels(G, pos, font_size=12)

plt.show()

关键说明 #

• 节点大小：通过将from和to列转长格式分组求和，得到节点的总关联权重，再乘以放大系数（100）让大小差异更明显，系数可按需调整。
• 边的粗细：直接读取边属性值并放大，避免数值过小时边过于纤细，放大系数可根据实际视觉效果调整。
• 固定布局：给spring_layout设置seed参数，确保每次绘图的节点位置一致，方便调试和对比。

内容的提问来源于stack exchange，提问作者Nathan