根据节点值为networkx中的节点绘制不同的颜色

Posted 2023-02-16

【中文标题】根据节点值为networkx中的节点绘制不同的颜色

【英文标题】：Draw different color for nodes in networkx based on their node value

【发布时间】：2012-11-11 03:23:59

【问题描述】：

我有一个大的节点图和有向边。此外，我还有一个分配给每个节点的附加值列表。

我现在想根据节点值更改每个节点的颜色。例如，绘制具有非常高值红色的节点和具有低值蓝色的节点（类似于热图）。这是否很容易实现？如果没有 networkx，我也对 Python 中的其他库开放。

【参考方案1】：

对于一般情况，我们有一个值列表来指示节点的某些属性，并且我们希望为给定节点分配一种颜色，以给出该属性的 scale 感觉（例如从红到蓝），这是一种方法：

import matplotlib as mpl
from matplotlib import pyplot as plt
from pylab import rcParams
import networkx as nx

G = nx.Graph()
G.add_edges_from([('A', 'D'), ('Z', 'D'), ('F', 'J'), ('A', 'E'), ('E', 'J'),('Z', 'K'), ('B', 'A'), ('B', 'D'), ('A', 'J'), ('Z', 'F'),('Z', 'D'), ('A', 'B'), ('J', 'D'), ('J', 'E'), ('Z', 'J'),('K', 'J'), ('B', 'F'), ('B', 'J'), ('A', 'Z'), ('Z', 'E'),('C', 'Z'), ('C', 'A')])

假设我们有以下字典将每个节点映射到给定值：

color_lookup = k:v for v, k in enumerate(sorted(set(G.nodes())))
# 'A': 0, 'B': 1, 'C': 2, 'D': 3, 'E': 4, 'F': 5, 'J': 6, 'K': 7, 'Z': 8

我们可以做的是使用mpl.colors.Normalize 将color_lookup 中的值标准化为基于节点所取的最小值和最大值的[0,1] 范围，然后matplotlib.cm.ScalarMappable 将标准化值映射到颜色图中的颜色，这里我将使用mpl.cm.coolwarm：

low, *_, high = sorted(color_lookup.values())
norm = mpl.colors.Normalize(vmin=low, vmax=high, clip=True)
mapper = mpl.cm.ScalarMappable(norm=norm, cmap=mpl.cm.coolwarm)

rcParams['figure.figsize'] = 12, 7
nx.draw(G, 
        nodelist=color_lookup,
        node_size=1000,
        node_color=[mapper.to_rgba(i) 
                    for i in color_lookup.values()], 
        with_labels=True)
plt.show()

对于另一个颜色图，我们只需要更改mpl.cm.ScalarMappable 中的cmap 参数：

mapper = mpl.cm.ScalarMappable(norm=norm, cmap=mpl.cm.summer)
nx.draw(G, 
        nodelist=color_lookup,
        node_size=1000,
        node_color=[mapper.to_rgba(i) 
                    for i in color_lookup.values()], 
        with_labels=True)
plt.show()

我们会得到什么：

同样，我们可以根据节点的degree来设置节点的颜色，方法是定义一个字典，将所有节点映射到对应的度，并采取与上述相同的步骤：

d = dict(G.degree)
# 'A': 6, 'D': 4, 'Z': 7, 'F': 3, 'J': 7, 'E': 3, 'K': 2, 'B': 4, 'C': 2
low, *_, high = sorted(d.values())
norm = mpl.colors.Normalize(vmin=low, vmax=high, clip=True)
mapper = mpl.cm.ScalarMappable(norm=norm, cmap=mpl.cm.coolwarm)

nx.draw(G, 
        nodelist=d,
        node_size=1000,
        node_color=[mapper.to_rgba(i) 
                    for i in d.values()], 
        with_labels=True,
        font_color='white')
plt.show()

【讨论】：

不错：低，*_，高 = 排序（d.values（））

【参考方案2】：

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

G = nx.Graph()
G.add_edges_from(
    [('A', 'B'), ('A', 'C'), ('D', 'B'), ('E', 'C'), ('E', 'F'),
     ('B', 'H'), ('B', 'G'), ('B', 'F'), ('C', 'G')])

val_map = 'A': 1.0,
           'D': 0.5714285714285714,
           'H': 0.0

values = [val_map.get(node, 0.25) for node in G.nodes()]

nx.draw(G, cmap=plt.get_cmap('viridis'), node_color=values, with_labels=True, font_color='white')
plt.show()

产量

---

values 中的数字与G.nodes() 中的节点相关联。 也就是说values中的第一个数字与G.nodes()中的第一个节点相关联，第二个也是如此，以此类推。