NetworkX读取dot文件丢失属性及决策树可视化替代方案咨询

别担心，这个问题其实挺常见的——nx.drawing.nx_pydot.read_dot确实会把dot文件的图结构读进来，但默认的nx.draw_networkx并不会自动识别并应用节点的label、shape这些属性，得我们手动提取和指定。另外，还有几个更省心的决策树可视化方法，我一起给你列出来：

方案一：修复NetworkX的绘图逻辑，保留dot文件属性 #

read_dot其实已经把所有节点和边的属性存在图对象的节点/边数据里了，只是默认绘图函数没用到。我们可以手动提取这些属性，然后在绘图时指定：

import networkx as nx
import matplotlib.pyplot as plt

# 读取dot文件
randTree = nx.drawing.nx_pydot.read_dot("tree_output.dot")

# 提取节点标签（注意去掉dot文件里的引号）
node_labels = {node: data["label"].strip('"') for node, data in randTree.nodes(data=True)}
# 提取边的标签（比如True/False）
edge_labels = {}
for u, v, edge_data in randTree.edges(data=True):
    if "headlabel" in edge_data:
        edge_labels[(u, v)] = edge_data["headlabel"].strip('"')

# 使用graphviz的布局算法，保证树结构和dot文件一致
pos = nx.nx_pydot.graphviz_layout(randTree, prog="dot")

# 绘制节点（用方形，对应dot里的box形状）
nx.draw_networkx_nodes(randTree, pos, node_size=3500, node_shape="s", edgecolors="black")
# 绘制节点标签
nx.draw_networkx_labels(randTree, pos, labels=node_labels, font_size=10)
# 绘制边
nx.draw_networkx_edges(randTree, pos, arrows=True)
# 绘制边标签
nx.draw_networkx_edge_labels(randTree, pos, edge_labels=edge_labels, font_size=9)

plt.axis("off")
plt.tight_layout()
plt.show()

这段代码会提取dot文件里的节点标签、边标签，用graphviz的布局保证树的层级正确，并且把节点设为方形，完美还原dot文件的样式。

方案二：更省心的决策树可视化方法 #

如果只是为了展示决策树，其实没必要绕NetworkX，这两种方法更简单：

方法1：直接用sklearn自带的plot_tree #

如果你还持有原始的决策树模型，直接用sklearn的内置函数就能生成可视化图，一步到位：

from sklearn.tree import plot_tree
import matplotlib.pyplot as plt

# 假设你的决策树模型是clf
plot_tree(
    clf,
    filled=True,       # 给节点填充颜色
    rounded=True,      # 圆角节点
    feature_names=["X[0]"],  # 特征名称
    precision=2        # 数值精度，对应dot文件里的小数位数
)
plt.show()

这个方法会自动生成带标签、形状的决策树，还支持颜色填充，完全不需要处理dot文件。

方法2：用graphviz库直接渲染dot文件 #

如果已经有了dot文件，用graphviz库可以完美解析所有属性，渲染出和dot定义一致的图：

from graphviz import Source

# 读取dot文件内容
with open("tree_output.dot", "r") as f:
    dot_content = f.read()

# 创建Source对象并渲染
src = Source(dot_content)
src.render("decision_tree", format="png")  # 保存为PNG文件
src.view()  # 直接打开查看渲染后的图

这个方法完全保留dot文件里的所有样式（节点形状、标签、边的标注等），是最省心的方案。

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