如何用Python将加州路网数据转为有向图并开展图分析？

核心工具：NetworkX库 #

NetworkX是Python中专门用于图分析的工具库，能轻松处理路网这类无向/有向图，支持度分布、聚类系数等常用分析指标的快速计算。

步骤1：安装依赖库 #

先安装所需的工具包：

pip install networkx pandas numpy matplotlib

• networkx：核心图处理库
• pandas：读取文本/Excel格式的数据集
• numpy：处理邻接矩阵
• matplotlib：可视化度分布（可选）

步骤2：读取数据集 #

情况A：读取原始SNAP文本文件 #

原始文本文件开头包含注释行（# FromNodeId ToNodeId），用pandas跳过注释行读取：

import pandas as pd

# 读取文本文件，跳过以#开头的行，自动识别空格分隔符
df = pd.read_csv("california_road_network.txt", comment="#", sep="\s+", names=["FromNodeId", "ToNodeId"])

情况B：读取Excel文件 #

如果已将数据集转换为Excel格式，直接读取：

df = pd.read_excel("california_road_network.xlsx")

步骤3：构建图对象 #

路网是双向连通结构，用NetworkX创建无向图实例：

import networkx as nx

# 创建无向图实例
G = nx.Graph()

# 从DataFrame中提取所有边并添加到图中
edges = list(zip(df["FromNodeId"], df["ToNodeId"]))
G.add_edges_from(edges)

# 查看图的基本信息
print(f"节点总数：{G.number_of_nodes()}")
print(f"边总数：{G.number_of_edges()}")

若需处理有向路网，替换为nx.DiGraph()即可。

步骤4：生成邻接矩阵 #

稠密邻接矩阵（小网络适用） #

import numpy as np

adj_matrix = nx.to_numpy_array(G)
print("稠密邻接矩阵示例：")
print(adj_matrix[:5, :5])  # 仅展示前5x5的部分

稀疏邻接矩阵（大网络推荐） #

加州路网节点数量较多，稀疏矩阵能大幅节省内存：

sparse_adj_matrix = nx.to_scipy_sparse_array(G)
print("稀疏邻接矩阵形状：", sparse_adj_matrix.shape)

步骤5：计算度分布 #

度分布是图分析的基础指标，计算并可视化：

from collections import Counter
import matplotlib.pyplot as plt

# 获取所有节点的度数
degrees = [d for n, d in G.degree()]

# 统计不同度数的节点数量
degree_counts = Counter(degrees)
sorted_degrees = sorted(degree_counts.items())

# 可视化度分布
plt.bar([d for d, cnt in sorted_degrees], [cnt for d, cnt in sorted_degrees])
plt.xlabel("节点度数")
plt.ylabel("节点数量")
plt.title("加州路网节点度分布")
plt.show()

步骤6：计算聚类系数 #

全局平均聚类系数 #

反映整个网络的聚集紧密程度：

avg_clustering = nx.average_clustering(G)
print(f"全局平均聚类系数：{avg_clustering:.4f}")

单个节点的聚类系数 #

查看特定节点的局部聚集程度：

node_clustering = nx.clustering(G)
# 示例：查看节点0的聚类系数
print(f"节点0的聚类系数：{node_clustering[0]:.4f}")

内容的提问来源于stack exchange，提问作者Aylin Naebzadeh