NetworkX最小生成树可视化布局为何每次不同？如何固定？

问题背景 #

我有一个产品关联度对比数据集，格式如下：

product1 product2 relatedness
0101 0102 0.047619
0101 0103 0.023810
0101 0104 0.095238
0101 0105 0.214286
0101 0106 0.047619
... ... ...

我用以下代码将数据导入NetworkX并生成最小生成树（MST）的可视化图：

import networkx as nx
import matplotlib.pyplot as plt
products = (data['product1'])
products = list(dict.fromkeys(products))
products = sorted(products)
G = nx.Graph()
G.add_nodes_from(products)
print(G.number_of_nodes())
print(G.nodes())
row = 0
for c in data['product1']:
    p = data['product2'][row]
    w = data['relatedness'][row]
    if w > 0:
        G.add_edge(c,p, weight=w, with_labels=True)
    row = row + 1
nx.draw(nx.minimum_spanning_tree(G), with_labels=True)
plt.show()

运行后发现，每次重复执行无修改的代码，图的集群结构、边和权重都没有变化，但节点在画布上的排布却每次都不一样。

疑问 #

无代码和数据改动时，节点布局每次变化的原因是什么？如何修改代码以实现同一数据每次生成近似一致的节点与边布局？

原因分析 #

这是NetworkX可视化的常见现象：nx.draw默认使用弹簧布局（spring_layout），这个算法会在每次运行时随机初始化节点的起始位置。它通过模拟弹簧的物理牵引来调整节点位置，随机初始值会导致最终的布局结果出现差异——哪怕图的拓扑结构完全一致。

解决方案 #

要固定布局，核心是让布局算法的随机过程可复现，或者复用同一个布局结果。这里有两种简单有效的方法：

方法1：为布局算法设置固定随机种子

直接在绘图前先计算带固定种子的布局，再用该布局绘图：

# 先生成MST
mst = nx.minimum_spanning_tree(G)
# 计算固定种子的布局（seed值可任意指定，比如42）
pos = nx.spring_layout(mst, seed=42)
# 使用这个固定好的布局绘图
nx.draw(mst, pos=pos, with_labels=True)
plt.show()

指定seed参数后，布局算法的随机初始化逻辑会被固定，每次运行都会生成完全一致的节点位置。

方法2：提前保存布局并复用

如果需要多次使用同一布局，可以把计算好的布局结果保存到文件，后续直接加载使用：

import pickle

# 第一次运行时计算并保存布局
mst = nx.minimum_spanning_tree(G)
pos = nx.spring_layout(mst, seed=42)
with open("mst_layout.pkl", "wb") as f:
    pickle.dump(pos, f)

# 后续运行时直接加载已保存的布局
with open("mst_layout.pkl", "rb") as f:
    pos = pickle.load(f)
nx.draw(mst, pos=pos, with_labels=True)
plt.show()

额外提示

如果你不需要弹簧布局的效果，也可以选择确定性布局算法（比如circular_layout、kamada_kawai_layout），这类算法的结果天生固定，不需要额外设置种子。不过这类布局可能不如弹簧布局直观展示节点间的关联紧密程度，你可以根据需求灵活选择。

内容的提问来源于stack exchange，提问作者BlackLotus501