无向图（Undirected Graph）#

无向图是一种图，其中边没有方向。换句话说，如果在无向图中存在一条连接顶点0和顶点1的边，则1和0之间存在对称关系。例如，在社交网络中，两个人之间的友谊是相互的：如果小张是小李的朋友，那么小李也是小张的朋友。这种关系可以有效地使用无向图来建模，其中节点表示人，边表示友谊。以下代码展示了如何使用NetworkX库从使用NumPy构建的邻接矩阵开始，构建和可视化一个无向图。

我们通过特定步骤构建了我们的邻接矩阵，以实现我们的目标（在接下来的示例中，我们将直接从预定义的数据结构开始）。从之前的脚本获得的邻接矩阵如下：

1
# Adjacency matrix (randomly initialized)np.random.seed(1)n = 5A = np.random.randint(2, size=(n, n))
2
# Include the self loopnp.fill_diagonal(A, 1)
3
# Hack for creating a symmetric adjacency matrixA = (A + A.T)A[A > 1] = 1

这个邻接矩阵表示一个具有5个节点（标记为0到4）的无向图。我们的邻接矩阵也是对称的，以反映无向图的对称特性。对称矩阵是一个在对角线两侧值相同的方阵。这意味着第i行第j列的值与第j行第i列的值相同。

1
array([[1, 1, 0, 0, 1],       [1, 1, 1, 1, 1],       [0, 1, 1, 1, 1],       [0, 1, 1, 1, 0],       [1, 1, 1, 0, 1]])

以下是基于该矩阵对节点之间连接的简单描述：

• 节点0与自身（0 → 0）、节点1（0 → 1）和节点4（0 → 4）有边连接。
• 节点1是完全连接的，与所有节点（包括自身）都有边连接。这意味着节点1与节点0（1 → 0）、节点1自身（1 → 1）、节点2（1 → 2）、节点3（1 → 3）和节点4（1 → 4）都有边连接。
• 节点2与节点1（2 → 1）、自身（2 → 2）、节点3（2 → 3）和节点4（2 → 4）有边连接。
• 节点3与节点1（3 → 1）、自身（3 → 3）和节点2（3 → 2）有边连接。
• 节点4与节点0（4 → 0）、节点1（4 → 1）、节点2（4 → 2）和自身（4 → 4）有边连接。

现在让我们定义绘制无向图的基本边选项：

1
G = nx.from_numpy_array(A)
2
edge_options = {    'edge_color': graph_color,    'width': 2.5,    'alpha': 0.7,}
3
draw_graph(G, node_options, edge_options)

上述代码输出结果如图：

上图中，每个节点都与图中一部分节点相连，并始终与自身相连。这个最后的连接可以直接从邻接矩阵中得出，其中对角线上的所有值都等于1。

有向图（Directed Graph）#

有向图是一种图，其中边具有特定的方向。在有向图中，每条边用箭头表示，指示连接的顶点之间关系的方向。

例如，如果存在一条从顶点0指向顶点1的有向边，则表示从0到1的单向关系或连接，而这条边不一定可以反向遍历或解释。在网页的超链接结构中，如果网页A链接到网页B，并不一定意味着B会链接回A。这种不对称和有方向的关系使得有向图成为一个合适的模型。

在这里，节点表示网页，有向边表示从一个页面到另一个页面的超链接。以下代码演示了如何从一个非对称的邻接矩阵构建有向图。

1
A = np.array([    [0, 1, 0, 1, 0],    [0, 0, 1, 0, 1],    [0, 0, 0, 1, 0],    [0, 0, 0, 0, 1],    [1, 0, 0, 0, 0]])

这个邻接矩阵表示一个具有5个节点（标记为0到4）的有向图。以下是基于该矩阵对节点之间连接的简单描述：

• 节点0有边连接到节点1（0 → 1）和节点3（0 → 3）。
• 节点1有边连接到节点2（1 → 2）和节点4（1 → 4）。
• 节点2有边连接到节点3（2 → 3）。
• 节点3有边连接到节点4（3 → 4）。
• 节点4有边连接到节点0（4 → 0），形成一个循环。

现在，让我们更新并扩展之前的边选项，以绘制我们的有向图，并清晰地显示边的方向。

1
G = nx.from_numpy_array(A, create_using=nx.DiGraph())
2
edge_options = {    'edge_color': graph_color,    'width': 2.5,    'alpha': 0.7,    'connectionstyle': 'arc3, rad = 0.3',    'arrowstyle': '-|>',    'arrowsize': 30}
3
draw_graph(G, node_options, edge_options)

上述代码的输出结果如下图：

从上图可以看出，与之前展示的无向图相比，我们没有自环连接。这一点从邻接矩阵中可以明显看出，其中对角线上的所有值都等于0。

加权图（Weighted Graph）#

加权图是一种图，其中每条边都被赋予一个称为权重的数值。这些权重表示与遍历该边相关的某种“成本”、“距离”、“容量”或其他相关度量。

在交通网络中，连接城市的道路具有不同的长度或旅行时间。加权图用于表示城市（节点）之间的道路（边）。在这种情况下，边上的权重可以表示沿该道路的距离、旅行时间或旅行成本。

以下代码演示了如何通过定义一个邻接矩阵来构建加权图，其中的值可以大于1。

1
A = np.array([    [0, 2, 0, 3, 0],    [0, 0, 1, 0, 4],    [0, 0, 0, 5, 0],    [0, 0, 0, 0, 6],    [7, 0, 0, 0, 0]])

这个邻接矩阵表示一个具有5个节点（标记为0到4）的有向加权图。矩阵中的权重表示节点之间连接（边）的强度或成本。以下是基于该矩阵对节点之间连接的描述：

• 节点0与节点1之间有一条权重为2的边（0 → 1，权重2），与节点3之间有一条权重为3的边（0 → 3，权重3）。
• 节点1与节点2之间有一条权重为1的边（1 → 2，权重1），与节点4之间有一条权重为4的边（1 → 4，权重4）。
• 节点2与节点3之间有一条权重为5的边（2 → 3，权重5）。
• 节点3与节点4之间有一条权重为6的边（3 → 4，权重6）。
• 节点4与节点0之间有一条权重为7的边（4 → 0，权重7），形成一个循环。

现在，让我们创建边的选项，以绘制我们的有向加权图，并定义边的粗细。

1
G = nx.from_numpy_array(A, create_using=nx.DiGraph())weights = nx.get_edge_attributes(G, 'weight')
2
edge_options = {    'edge_color': graph_color,    'width': 2.5,    'alpha': 0.7,    'connectionstyle': 'arc3, rad = 0.1',    'arrowstyle': '-|>',    'arrowsize': 30,    'width': [weights[edge] for edge in G.edges()]}
3
draw_graph(G, node_options, edge_options)

上述代码的输出结果如下图：

异构图（Heterogeneous Graph）#

异构图是一种节点和边可以有不同类型或属性的图。在这种图中，节点可以表示各种实体或对象，边可以表示这些实体之间的不同关系或交互。

例如，在学术知识图谱中，有多种类型的实体（如论文、作者、机构）和不同类型的关系（如作者撰写论文、论文引用另一篇论文、作者隶属于某个机构）。异构图可以捕捉这些关系的复杂性，节点有不同的类型，边表示各种类型的连接。

以下代码演示了如何构建和可视化一个具有多种关系类型的异构图。在这个例子中，我们使用了一种不同的方法来构建NetworkX库的输入数据。

1
A = {    'type1': np.array([        [0, 1, 0],        [0, 0, 1],        [0, 0, 0]    ]),    'type2': np.array([        [0, 0, 1],        [1, 0, 0],        [0, 1, 0]    ])}

在这种情况下，我们指定一个Python字典来定义每种关系的邻接矩阵。更具体地说，对于type1关系，我们有以下连接：

• 节点0与节点1之间有一条边（0 → 1）。
• 节点1与节点2之间有一条边（1 → 2）。
• 节点2与任何其他节点没有连接。

对于type2关系，我们有以下连接：

• 节点0与节点2之间有一条边（0 → 2）。
• 节点1与节点0之间有一条边（1 → 0）。
• 节点2与节点1之间有一条边（2 → 1）。

我们可以采用一种更适合机器学习的解决方案来表示不同类型的边，例如创建一个三维张量。

我们使用NetworkX中构建图，以显示具有不同类型边的异构图。

1
# Create a heterogeneous graph using NetworkXG = nx.MultiDiGraph()
2
# Add nodesnum_nodes = A['type1'].shape[0]G.add_nodes_from(range(num_nodes))
3
# Add edges from each adjacency matrixfor edge_type, adj_matrix in A.items():    for i in range(num_nodes):        for j in range(num_nodes):            if adj_matrix[i, j] != 0:                G.add_edge(i, j, type=edge_type)edge_labels = nx.get_edge_attributes(G,'type')
4
edge_options = {    'edge_color': graph_color,    'width': 2.5,    'alpha': 0.7,    'connectionstyle': 'arc3, rad = 0.3',    'arrowstyle': '-|>',    'arrowsize': 30,}
5
draw_graph(G, node_options, edge_options, edge_labels=edge_labels)

上述代码的输出结果如下图：