22、数据科学中的图分析与复杂度优化

数据科学中的图分析与复杂度优化

1. 图分析相关内容

在图分析领域，有一些实用的练习和应用场景值得探讨。

1.1 美化显示网络

可以基于之前的经验来可视化有符号图，例如为每条边显示正负号并对其进行不同颜色的着色。可以使用 G.edges(data=True) 来遍历无向图 G 的所有边，该调用会返回带有属性的所有边。要显示边的符号，可以使用 G.edge[node_1][node_2]['sign'] 表达式，其中 node_1 和 node_2 是这条边的节点标识符。

1.2 生成 Erdös-Rényi 网络

可以阅读 nx.generators.random_graphs.erdos_renyi_graph 函数的文档来了解如何生成这种随机图。该模型以概率 p 选择每条可能的边，它也被称为二项图（因为它遵循伯努利概率分布）。不过，生成的网络与现实世界的网络不太相似，但该模型非常简单，二项图在图论证明中常被用作基础。

1.3 现实世界网络的处理

现实世界的网络规模巨大，需要更具扩展性的方法。可以利用斯坦福网络分析项目（SNAP）框架（访问 http://snap.stanford.edu ），它也有 Python API。存储大型图也是一个问题，有专门的数据库系统用于存储图，并且有多种图格式（其中大多数都有文档记录并得到 NetworkX 的支持），例如 Neo4j（见 http