Python小世界网络仿真图绘制求助：代码仅输出数值无图形

我来帮你搞定这个绘图问题！你的代码已经完成了核心的SARS传播仿真逻辑，但有两个关键问题需要解决：一是没有初始化小世界网络G，二是缺少论文中需要的可视化代码。下面是完整的修改后代码，同时我会解释每个新增/修正的部分：

完整修正代码 #

import matplotlib.pyplot as plt
import numpy as np
import networkx as nx
import random

# 修正邻居判断函数：适配N×N的网格节点（坐标0到N-1）
def near_neighbours(node, N):
    res = []
    x, y = node
    if x != 0:
        res.append((x-1, y))
    if x != N-1:  # 原代码这里是N，会超出节点坐标范围，修正为N-1
        res.append((x+1,y))
    if y != 0:
        res.append((x,y-1))
    if y != N-1:  # 同样修正为N-1
        res.append((x,y+1))
    return res

# ---------------------- 1. 初始化小世界网络 ----------------------
N = 10  # 10×10网格，共100个节点
# 创建基础网格规则网络
G = nx.grid_2d_graph(N, N)
# 添加小世界长程连接（模拟论文中的小世界模型）
num_long_edges = int(N*N * 0.1)  # 长程边数量设为节点数的10%，可调整
for _ in range(num_long_edges):
    u = random.choice(list(G.nodes()))
    v = random.choice(list(G.nodes()))
    # 避免自环和已经是网格邻居的节点
    while u == v or v in near_neighbours(u, N):
        v = random.choice(list(G.nodes()))
    G.add_edge(u, v)

# ---------------------- 2. 初始化状态 ----------------------
status = {}
for node in G.nodes():
    status[node] = 'S'
# 随机感染一个节点
status[random.choice(list(G.nodes()))] = 'I'

# 感染/康复参数（和原代码一致）
p2 = 0.0
p1 = 0.1293
r0 = 1/11.2
r1 = 1/17.4

# 状态计数初始化
S = N * N - 1
E = 0
I = 1
R = 0
s = []
e = []
i = []
r = []
t = 0
time = []
graphs_in_time = []

# ---------------------- 3. 仿真循环 ----------------------
while I > 0:
    t += 1
    newI = 0
    newR = 0
    newE = 0
    for node in G.nodes():
        if status[node] == 'I':
            for nei in G.neighbors(node):
                if status[nei] == 'S':
                    if nei in near_neighbours(node, N):
                        if random.random() < p1:
                            newE += 1
                            status[nei] = 'E'
                    else:
                        if random.random() < p2:
                            newE += 1
                            status[nei] = 'E'
            if random.random() < r1:
                newR += 1
                status[node] = 'R'
        elif status[node] == 'E':
            if random.random() < r0:
                newI += 1
                status[node] = 'I'
    # 更新状态计数
    S -= newE
    E += (newE - newI)
    I += (newI - newR)
    R += newR
    # 记录关键时间点的状态
    if t % 20 == 0:
        print(f't= {t} S, E, I, R, N = {S} {E} {I} {R} {S+E+I+R}')
        graphs_in_time.append({k: v for k, v in status.items()})
    # 记录时间序列数据
    s.append(S)
    i.append(I)
    r.append(R)
    e.append(E)
    time.append(t)

# ---------------------- 4. 绘制疫情趋势曲线（对应论文核心图） ----------------------
plt.figure(figsize=(10, 6))
plt.plot(time, s, label='Susceptible (S)', color='blue', linewidth=2)
plt.plot(time, e, label='Exposed (E)', color='orange', linewidth=2)
plt.plot(time, i, label='Infected (I)', color='red', linewidth=2)
plt.plot(time, r, label='Recovered (R)', color='green', linewidth=2)
plt.xlabel('Time', fontsize=12)
plt.ylabel('Number of Individuals', fontsize=12)
plt.title('SARS Transmission Dynamics in Small-World Network', fontsize=14)
plt.legend(fontsize=10)
plt.grid(alpha=0.3)
plt.show()

# ---------------------- 5. 绘制不同时间点的网络状态可视化 ----------------------
num_plots = len(graphs_in_time)
cols = 3
rows = (num_plots + cols - 1) // cols  # 自动计算子图行数
fig, axes = plt.subplots(rows, cols, figsize=(15, 5*rows))
axes = axes.flatten()

# 定义状态对应的颜色映射
color_map = {'S': 'blue', 'E': 'orange', 'I': 'red', 'R': 'green'}

for idx, state_dict in enumerate(graphs_in_time):
    ax = axes[idx]
    # 获取每个节点的颜色
    node_colors = [color_map[state_dict[node]] for node in G.nodes()]
    # 使用网格布局固定节点位置（贴合论文的网格可视化）
    pos = {(x, y): (x, y) for (x, y) in G.nodes()}
    nx.draw(G, pos, node_color=node_colors, node_size=200, ax=ax, with_labels=False, edge_color='gray')
    ax.set_title(f'Time = {20*(idx+1)}', fontsize=12)

# 隐藏多余的空白子图
for ax in axes[num_plots:]:
    ax.axis('off')

plt.tight_layout()
plt.show()

关键修改说明 #

1. 修正邻居判断函数：原代码中节点坐标判断错误（x != N），导致访问不存在的节点，修正为x != N-1适配10×10的网格节点（坐标0-9）。
2. 初始化小世界网络：添加了网格规则网络+随机长程边的创建逻辑，符合论文的小世界模型定义。
3. 疫情趋势曲线：用matplotlib绘制S/E/I/R随时间变化的折线图，这是论文第1752页的核心动力学曲线。
4. 网络状态可视化：在每20个时间点绘制一次网络节点状态，用颜色区分易感（蓝）、潜伏（橙）、感染（红）、康复（绿）节点，保持网格布局和论文的可视化风格一致。

运行这段代码后，你会先看到数值输出，然后自动弹出两个图形：一个是疫情传播的趋势曲线，另一个是不同时间点的网络状态演化图，和论文中的图形风格一致。

内容的提问来源于stack exchange，提问作者user9880140