moons数据集谱聚类后使用Networkx构建3近邻图及区分集群节点样式

算力阿峰

2026-10-6

实现代码（可直接衔接你现有代码运行）

# ---------------------- k=3近邻图构建与可视化代码 ----------------------
k = 3
# 转换亲和度矩阵为numpy数组格式
affinity_mat = clustering.affinity_matrix_.toarray()

# 初始化图对象
G = nx.Graph()
# 批量添加节点，绑定节点坐标和聚类标签属性
for idx in range(len(X)):
    G.add_node(idx, pos=X[idx], cluster_label=y_predict[idx])

# 为每个节点添加k个近邻边：按亲和度从高到低取前3个非自身节点
for i in range(len(X)):
    top_k_idx = np.argsort(-affinity_mat[i])[1:k+1]
    for j in top_k_idx:
        # 避免重复添加无向边
        if not G.has_edge(i, j):
            G.add_edge(i, j, weight=affinity_mat[i][j])

# 自定义两个集群的节点样式：[填充颜色, 节点形状]
cluster_style = {
    0: ["#1a56db", "o"],  # 集群0：蓝色圆形
    1: ["#e53e3e", "^"]   # 集群1：红色三角形
}

plt.figure(figsize=(8, 6))
# 绘制边：权重越高，边越粗、越明显
pos = nx.get_node_attributes(G, "pos")
nx.draw_networkx_edges(
    G, pos, 
    alpha=0.4, 
    width=[G[u][v]["weight"] * 2 for u, v in G.edges()]
)

# 按集群属性分组绘制节点，保留你原有的预测正确/错误的填充逻辑
for node_id, attr in G.nodes(data=True):
    cluster = attr["cluster_label"]
    color, marker = cluster_style[cluster]
    if y[node_id] == cluster:
        # 预测正确的节点实心显示
        nx.draw_networkx_nodes(G, pos, nodelist=[node_id], node_color=color, node_shape=marker, node_size=200)
    else:
        # 预测错误的节点空心显示
        nx.draw_networkx_nodes(G, pos, nodelist=[node_id], node_color="none", edgecolors=color, node_shape=marker, node_size=200)

plt.axis("equal")
plt.title("k=3 Nearest Neighbor Graph")
plt.show()