如何在NetworkX的MultiDiGraph中无需循环为每条边应用函数？

不用把图转成DataFrame，NetworkX本身就有办法实现类似pandas apply()的批量边处理，下面是两种实用方法：

方法一：字典推导 + nx.set_edge_attributes #

利用NetworkX的set_edge_attributes方法，配合字典推导式批量生成处理后的边属性，代码层面不用写循环：

import networkx as nx

# 示例MultiDiGraph
G = nx.MultiDiGraph()
G.add_edge(1, 2, key=0, weight=3)
G.add_edge(1, 2, key=1, weight=5)
G.add_edge(2, 3, key=0, weight=2)

# 定义要应用到边的函数
def process_weight(weight):
    return weight ** 2

# 生成处理后的属性字典，键是边的(u, v, key)三元组，值是函数结果
processed_attrs = {(u, v, k): process_weight(d['weight']) 
                   for u, v, k, d in G.edges(data=True, keys=True)}

# 批量设置新属性
nx.set_edge_attributes(G, processed_attrs, 'weight_squared')

这里G.edges(data=True, keys=True)会返回所有边的完整信息（节点对、边key、属性字典），字典推导式遍历这些条目并应用函数，最后一次性把结果设置到图中。

方法二：map函数 + 字典转换 #

用map函数对每条边的属性做批量处理，再转换成字典后设置：

# 用map批量处理每条边
processed_edges = map(lambda e: (e[0], e[1], e[2], process_weight(e[3]['weight'])), 
                      G.edges(data=True, keys=True))

# 转换为符合要求的属性字典
processed_attrs = {(u, v, k): val for u, v, k, val in processed_edges}

nx.set_edge_attributes(G, processed_attrs, 'weight_squared')

这两种方式都没有显式的for循环，和pandas的apply()逻辑一致，都是对每个元素批量应用函数，而且不用额外转换数据结构。

内容的提问来源于stack exchange，提问作者Holan