NetworkX带图例有向无权图绘制及pgmpy贝叶斯网络可视化问询

嘿，我来帮你搞定这两个可视化的问题！下面分情况给你详细说，代码都是可直接运行的示例，你可以根据自己的需求调整。

其实NetworkX结合matplotlib就能轻松实现，核心思路是先把节点按你需要区分的维度分组（比如类型、属性），分别绘制不同样式的节点，再利用matplotlib的图例功能把这些样式对应起来。给你整个完整的示例：

import networkx as nx
import matplotlib.pyplot as plt

# 第一步：构建有向图和节点属性
G = nx.DiGraph()
# 这里给每个节点加个类型属性，用来区分图例
node_type_map = {"A": "核心节点", "B": "核心节点", "C": "边缘节点", "D": "边缘节点", "E": "边缘节点"}
G.add_nodes_from(node_type_map.keys())
# 添加有向边
G.add_edges_from([("A", "B"), ("B", "C"), ("C", "D"), ("A", "E")])

# 第二步：设置图形布局（固定seed保证每次布局一致）
pos = nx.spring_layout(G, seed=42)

# 第三步：按节点类型分别绘制
core_nodes = [n for n, t in node_type_map.items() if t == "核心节点"]
edge_nodes = [n for n, t in node_type_map.items() if t == "边缘节点"]

# 绘制不同颜色的节点，同时指定label参数用于图例
nx.draw_networkx_nodes(G, pos, nodelist=core_nodes, node_color="#1f78b4", node_size=900, label="核心节点")
nx.draw_networkx_nodes(G, pos, nodelist=edge_nodes, node_color="#ff7f00", node_size=900, label="边缘节点")
# 绘制有向边
nx.draw_networkx_edges(G, pos, arrowstyle="->", arrowsize=22, edge_color="#333333")
# 绘制节点标签
nx.draw_networkx_labels(G, pos, font_size=13, font_weight="bold")

# 第四步：添加图例并展示
plt.legend(scatterpoints=1, loc="upper right")
plt.title("带图例的有向无权图示例")
plt.axis("off")  # 关闭坐标轴
plt.show()

你可以根据自己的需求调整节点的颜色、形状（用node_shape参数，比如s方形、o圆形），只要给不同分组的节点指定不同的样式和label，就能生成对应的图例。

你的场景太常见了——长变量名会把图挤得乱七八糟，用编码代替再配图例绝对是最优解。pgmpy的模型可以转换成NetworkX图，所以咱们可以基于这个来定制可视化，步骤如下：

from pgmpy.models import BayesianModel
import networkx as nx
import matplotlib.pyplot as plt
from matplotlib.patches import Patch

# 第一步：构建你的贝叶斯网络（这里用长变量名模拟你的场景）
long_variable_names = [
    "user_click_history_last_7_days",
    "user_monthly_purchase_count",
    "product_category_weekly_popularity",
    "user_age_segment",
    "ad_campaign_exposure_status"
]
# 定义节点间的依赖关系
model_edges = [
    ("user_age_segment", "user_click_history_last_7_days"),
    ("user_age_segment", "user_monthly_purchase_count"),
    ("product_category_weekly_popularity", "user_monthly_purchase_count"),
    ("ad_campaign_exposure_status", "user_click_history_last_7_days")
]
bn_model = BayesianModel(model_edges)

# 第二步：创建编码映射字典——把长变量名转成短编码
code_mapping = {var: f"V{i+1}" for i, var in enumerate(long_variable_names)}
# 反向映射，用来生成图例
reverse_mapping = {code: var for var, code in code_mapping.items()}

# 第三步：把pgmpy模型转成NetworkX图，并重命名节点为编码
nx_graph = bn_model.to_networkx()
nx_graph = nx.relabel_nodes(nx_graph, code_mapping)

# 第四步：绘制编码后的贝叶斯网络
pos = nx.spring_layout(nx_graph, seed=42)
# 绘制节点
nx.draw_networkx_nodes(nx_graph, pos, node_color="#98fb98", node_size=1100, edgecolors="black")
# 绘制有向边
nx.draw_networkx_edges(nx_graph, pos, arrowstyle="->", arrowsize=25, edge_color="#555555")
# 绘制编码标签
nx.draw_networkx_labels(nx_graph, pos, font_size=14, font_weight="bold")

# 第五步：创建并添加图例——把编码和原长变量名对应起来
legend_items = [
    Patch(facecolor="#98fb98", edgecolor="black", label=f"{code}: {var_name}")
    for code, var_name in reverse_mapping.items()
]
# 把图例放在图的右侧，避免遮挡节点
plt.legend(handles=legend_items, loc="lower left", bbox_to_anchor=(1, 0), fontsize=10)
plt.title("贝叶斯网络（编码节点+长变量名图例）")
plt.axis("off")
plt.tight_layout()  # 自动调整布局，保证图例完整显示
plt.show()

这个方案里，你只需要替换自己的贝叶斯网络节点和边，调整编码规则（比如用字母代替数字）或者节点样式，就能完美适配你的项目。图例放在图外也能避免遮挡，方便查看每个编码对应的原始变量名。

内容的提问来源于stack exchange，提问作者Danish A. Alvi