基于NetworkX绘制带权边图的技术问题（含Pandas权重矩阵）

嘿，我懂你现在的困扰——你想基于姓名节点的权重矩阵，让NetworkX画出的边粗细对应权重大小，但之前的代码没达到预期对吧？问题主要出在权重矩阵的格式转换和边属性的正确传递上，咱们一步步来修正：

问题根源 #

你之前的代码用了nx.from_pandas_edgelist()，但输入的bin_nom是宽格式的权重矩阵（姓名作为行/列），而这个函数需要的是长格式的边列表（每条边一行，包含源节点、目标节点、权重）。另外，edge_attr参数的用法也不对，你之前传了列名列表，应该指定权重列的名称。

修正步骤 #

1. 把权重矩阵转成边列表 #

首先需要将宽格式的权重矩阵转换为NetworkX能识别的长格式边列表，同时过滤掉无效边（比如权重为0、自环）：

# 假设你的权重矩阵名为 name_weight_matrix，行和列都是姓名
edge_df = name_weight_matrix.stack().reset_index()
# 重命名列，明确源节点、目标节点、权重
edge_df.columns = ["source", "target", "weight"]
# 过滤掉自环和权重为0的边（按需调整）
edge_df = edge_df[(edge_df["source"] != edge_df["target"]) & (edge_df["weight"] > 0)]

2. 正确构建带权重的图 #

现在用转换后的边列表构建图，确保权重被正确作为边属性存入：

G = nx.from_pandas_edgelist(
    edge_df,
    source="source",
    target="target",
    edge_attr="weight",  # 明确指定权重列，让边携带权重信息
    create_using=nx.Graph()
)

3. 按权重绘制边 #

绘制时，从图的边属性中提取权重，缩放后作为边的宽度参数，这样就能实现“权重越大边越粗”的效果：

import matplotlib.pyplot as plt
import networkx as nx

plt.figure(figsize=(35, 35))

# 提取所有边的权重，并缩放（这里乘以5是为了让粗细差异更明显，可按需调整）
edge_weights = [G[u][v]["weight"] for u, v in G.edges()]
scaled_widths = [w * 5 for w in edge_weights]

# 调整绘图选项，把width设为缩放后的权重
options = {
    'edge_color': '#eebcbc',
    'width': scaled_widths,
    'with_labels': True,
    'font_weight': 'regular',
}

# 节点大小逻辑和你之前保持一致
node_degrees = dict(G.degree)
layout_pos = nx.spring_layout(G, k=0.85, iterations=100)

nx.draw(
    G,
    pos=layout_pos,
    node_color='blue',
    nodelist=node_degrees.keys(),
    node_size=[v * 100 for v in node_degrees.values()],
    **options
)

# 设置节点边框颜色
ax = plt.gca()
ax.collections[0].set_edgecolor("#000007")

plt.show()

额外小技巧 #

• 如果权重值范围过大（比如从1到100），可以用标准化处理避免边太粗或太细：

  from sklearn.preprocessing import MinMaxScaler
  scaler = MinMaxScaler(feature_range=(1, 10))  # 把权重缩放到1-10的范围作为边宽
  scaled_widths = scaler.fit_transform([[w] for w in edge_weights]).flatten()
  

• 如果想给边添加权重标签，可以用nx.draw_networkx_edge_labels()：

  nx.draw_networkx_edge_labels(G, pos=layout_pos, edge_labels={(u, v): G[u][v]["weight"] for u, v in G.edges()})
  

内容的提问来源于stack exchange，提问作者user9176398