开始使用免费开始使用

刻画编辑社区

现在，您将把之前学到的 BFS 算法与极大团的概念结合起来，用 Arc plot 可视化这一网络。

Github 用户协作网络中的最大极大团已被赋给子图 G_lmc。请注意，在 NetworkX 2.x 及更高版本中，G.subgraph(nodelist) 只会返回原图的不可变视图。若要获得可变版本，必须显式请求 .copy()。

本练习是课程的一部分

Python 网络分析入门

查看课程

练习说明

  • 从该团向外扩展 1 度，并将这些用户添加到子图中。在第一个 for 循环内：
    • 使用 .add_nodes_from() 和 .neighbors() 方法，从 G 的邻居中向 G_lmc 添加节点。
    • 使用 .add_edges_from() 方法，在当前节点与其所有邻居之间向 G_lmc 添加边。为此，您需要使用 zip() 函数创建一个由元组组成的列表，内容为当前节点与其每个邻居。zip() 的第一个参数应为 [node]*len(list(G.neighbors(node)))，第二个参数应为该 node 的所有邻居。
  • 在每个节点的元数据中记录其度中心性分数。
    • 在第二个 for 循环中，将 nx.degree_centrality(G_lmc)[n] 赋给 G_lmc.nodes[n]['degree centrality']。
  • 使用 Arc plot 可视化该网络，并按度中心性对节点排序（可通过关键字参数 sort_by='degree centrality' 实现）。

交互式实操练习

通过完成这段示例代码来试试这个练习。

# Import necessary modules
from nxviz import arc
import matplotlib.pyplot as plt

# Identify the largest maximal clique: largest_max_clique
largest_max_clique = set(sorted(nx.find_cliques(G), key=lambda x: len(x))[-1])

# Create a subgraph from the largest_max_clique: G_lmc
G_lmc = G.subgraph(largest_max_clique).copy()

# Go out 1 degree of separation
for node in list(G_lmc.nodes()):
    G_lmc.add_nodes_from(____)
    G_lmc.add_edges_from(zip(____, ____))

# Record each node's degree centrality score
for n in G_lmc.nodes():
    ____ = ____

# Create the Arc plot: a
a = ____

# Draw the Arc plot to the screen
a
plt.show()
编辑并运行代码