NetworkX三分层无向网络节点分析及Bokeh绘图参数配置咨询

一、NetworkX核心分析操作 #

1. 各层连通性最强节点（度排序） #

先通过节点标识区分三层（假设左层节点前缀为dFac-、中间层为mFac-、右层为vcFac-），再计算每个节点的度并按降序排序：

import networkx as nx

# 提取各层节点
left_layer = [n for n in G.nodes if n.startswith('dFac-')]
middle_layer = [n for n in G.nodes if n.startswith('mFac-')]
right_layer = [n for n in G.nodes if n.startswith('vcFac-')]

# 计算度并排序
left_sorted = sorted(G.degree(left_layer), key=lambda x: x[1], reverse=True)
middle_sorted = sorted(G.degree(middle_layer), key=lambda x: x[1], reverse=True)
right_sorted = sorted(G.degree(right_layer), key=lambda x: x[1], reverse=True)

# 输出左层Top5示例
print("左层连通性Top5节点：", left_sorted[:5])

2. 中间层节点与左/右层连接频次统计 #

遍历中间层节点，筛选其左/右层邻居并统计数量：

import pandas as pd

middle_left_counts = {}
middle_right_counts = {}

for node in middle_layer:
    # 统计与左层的连接数
    left_neighbors = [n for n in G.neighbors(node) if n.startswith('dFac-')]
    middle_left_counts[node] = len(left_neighbors)
    # 统计与右层的连接数
    right_neighbors = [n for n in G.neighbors(node) if n.startswith('vcFac-')]
    middle_right_counts[node] = len(right_neighbors)

# 转换为DataFrame方便查看
conn_stats = pd.DataFrame({
    '中间层节点': middle_layer,
    '与左层连接数': [middle_left_counts[n] for n in middle_layer],
    '与右层连接数': [middle_right_counts[n] for n in middle_layer]
})
print(conn_stats.head())

3. 节点大小与边宽度的频次映射 #

节点大小基于节点的度（连接频次），边宽度基于数据集里的Edge-weight：

# 先将数据集的边权重导入NetworkX图
for idx, row in df.iterrows():
    u, v = row['Edge-tuple']
    G.add_edge(u, v, weight=row['Edge-weight'])

# 节点大小：度乘以缩放因子（可根据可视化效果调整）
node_sizes = [G.degree(n) * 20 for n in G.nodes]
# 边宽度：权重乘以缩放因子
edge_widths = [G[u][v]['weight'] * 0.5 for u, v in G.edges]

二、Bokeh可视化配置（含边权重与节点大小） #

步骤1：准备可视化数据源 #

用分层布局固定节点位置，整理节点和边的坐标、大小/宽度数据：

from bokeh.plotting import figure, show
from bokeh.models import ColumnDataSource, HoverTool, LabelSet

# 给节点添加层属性，用于分层布局
for n in G.nodes:
    if n.startswith('dFac-'):
        G.nodes[n]['layer'] = 0
    elif n.startswith('mFac-'):
        G.nodes[n]['layer'] = 1
    else:
        G.nodes[n]['layer'] = 2

# 生成分层布局坐标
pos = nx.multipartite_layout(G, subset_key='layer')

# 整理节点数据
node_data = {
    'x': [pos[n][0] for n in G.nodes],
    'y': [pos[n][1] for n in G.nodes],
    'label': list(G.nodes),
    'size': node_sizes
}
node_source = ColumnDataSource(node_data)

# 整理边数据
edge_data = {
    'xs': [[pos[u][0], pos[v][0]] for u, v in G.edges],
    'ys': [[pos[u][1], pos[v][1]] for u, v in G.edges],
    'width': edge_widths
}
edge_source = ColumnDataSource(edge_data)

步骤2：绘制交互式网络图 #

# 创建画布
p = figure(
    title="三分层无向网络可视化",
    tools="pan,wheel_zoom,box_zoom,reset",
    x_axis_type=None, y_axis_type=None,
    x_axis_label='', y_axis_label=''
)

# 绘制边
p.multi_line('xs', 'ys', source=edge_source, line_width='width', line_color='#888888')

# 绘制节点
nodes = p.circle('x', 'y', source=node_source, size='size', color='#4287f5', alpha=0.8)

# 添加悬停提示
hover = HoverTool(renderers=[nodes])
hover.tooltips = [
    ("节点", "@label"),
    ("连接频次", "@size{int}/20")  # 反向计算原始度
]
p.add_tools(hover)

# 添加节点标签（可选）
labels = LabelSet(
    x='x', y='y', text='label', source=node_source,
    text_font_size='8pt', x_offset=5, y_offset=5
)
p.add_layout(labels)

# 展示图形
show(p)

关键注意点 #

• 分层布局multipartite_layout会自动将同层节点对齐在同一水平线，比弹簧布局更适合分层网络场景。
• 节点大小和边宽度的缩放因子（如20、0.5）需根据网络规模调整，避免节点重叠或边显示异常。
• 若需直接从数据集构建图，可跳过原有图的导入，直接用G = nx.Graph()后遍历数据集添加带权重的边。

内容的提问来源于stack exchange，提问作者Rys