使用 nx.degree_histogram 绘制图的度分布

Question

我尝试使用以下代码绘制 networkx.DiGraph G 的度数分布：

def plot_degree_In(G):
    in_degrees = G.in_degree()
    in_degrees=dict(in_degrees)
    in_values = sorted(set(in_degrees.values()))
    in_hist = [list(in_degrees.values()).count(x) for x in in_values]

    plt.figure() 
    plt.grid(False)
    plt.loglog(in_values, in_hist, 'r.') 
    #plt.loglog(out_values, out_hist, 'b.') 
    #plt.legend(['In-degree', 'Out-degree'])
    plt.xlabel('k')
    plt.ylabel('p(k)')
    plt.title('Degree Distribution')
    plt.xlim([0, 2*100**1])

但后来我意识到这不是正确的方法，所以我将其更改为：

def plot_degree_dist(G):
    degree_hist = nx.degree_histogram(G) 
    degree_hist = np.array(degree_hist, dtype=float)
    degree_prob = degree_hist/G.number_of_nodes()
    plt.loglog(np.arange(degree_prob.shape[0]),degree_prob,'b.')
    plt.xlabel('k')
    plt.ylabel('p(k)')
    plt.title('Degree Distribution')
    plt.show()

但这给了我一个没有数据的空图。

Answer 1

用测试代码打印(in- plus-)degree 直方图的一种方法：

import matplotlib.pyplot as plt
import networkx as nx

def plot_degree_dist(G):
    degrees = [G.degree(n) for n in G.nodes()]
    plt.hist(degrees)
    plt.show()

plot_degree_dist(nx.gnp_random_graph(100, 0.5, directed=True))

可以通过向 plt.hist 添加第二个参数来调整直方图的 bin 数。

Answer 2

今天遇到同样的问题。一些典型的度数分布图 (examples) 不会对度数进行分箱。相反，他们分散对数对数图上每个度数的计数。

这是我想出的。由于在常见的直方图函数中关闭分箱似乎很困难，我决定选择标准 Counter 来完成这项工作。

degrees 预计在节点度数上是可迭代的（由 networkx 返回）。

Counter.items() 给出了对 [(degree, count)] 的列表。将列表解压缩到 x 和 y 后，我们可以准备具有对数刻度的轴，并发布散点图。

from collections import Counter
from operator import itemgetter
import matplotlib.pyplot as plt

# G = some networkx graph

degrees = G.in_degree()
degree_counts = Counter(degrees)                                                                                                 
x, y = zip(*degree_counts.items())                                                      
                                                                                                 
plt.figure(1)   
                                                                                                                                                                                                                                                      
# prep axes                                                                                                                      
plt.xlabel('degree')                                                                                                             
plt.xscale('log')                                                                                                                
plt.xlim(1, max(x))  
                                                                                                           
plt.ylabel('frequency')                                                                                                          
plt.yscale('log')                                                                                                                
plt.ylim(1, max(y))                                                                                                             
                                                                                                                                     # do plot                                                                                                                        
plt.scatter(x, y, marker='.')                                                                                                    
plt.show()

我手动裁剪了 xlim 和 ylim，因为自动缩放会使对数缩放中的点有点丢失。小点标记效果最好。

希望对您有所帮助

编辑： 这个 post 的早期版本包括对度数对进行排序，当然，这对于具有明确定义的散点图来说不是必需的x 和 y。查看示例图片：

Answer 3

我们可以使用 nx.degree_histogram，其中 returns 网络中度数的频率列表，其中度值是列表中的相应索引。但是，此功能仅适用于无向图。我将首先说明如何在无向图的情况下使用它，然后显示一个有向图的示例，我们是否可以看到如何通过稍微调整 nx.degree_histogram.[=27= 来获得度分布]

对于无向图

对于有向图，我们可以使用nx.degree_histogram。下面是使用随机图生成器 nx.barabasi_albert_graph.

的示例

通常在绘制度分布时取 x 和 y 轴的对数，这有助于查看 networkx 是否为 scale-free (a network with a degree distribution following a power law), so we can use matplotlib's plt.loglog :

m=3
G = nx.barabasi_albert_graph(1000, m)

degree_freq = nx.degree_histogram(G)
degrees = range(len(degree_freq))
plt.figure(figsize=(12, 8)) 
plt.loglog(degrees[m:], degree_freq[m:],'go-') 
plt.xlabel('Degree')
plt.ylabel('Frequency')

对于有向图

对于有向图，我们可以稍微修改函数 nx.degree_histogram 以考虑入度和出度：

def degree_histogram_directed(G, in_degree=False, out_degree=False):
    """Return a list of the frequency of each degree value.

    Parameters
    ----------
    G : Networkx graph
       A graph
    in_degree : bool
    out_degree : bool

    Returns
    -------
    hist : list
       A list of frequencies of degrees.
       The degree values are the index in the list.

    Notes
    -----
    Note: the bins are width one, hence len(list) can be large
    (Order(number_of_edges))
    """
    nodes = G.nodes()
    if in_degree:
        in_degree = dict(G.in_degree())
        degseq=[in_degree.get(k,0) for k in nodes]
    elif out_degree:
        out_degree = dict(G.out_degree())
        degseq=[out_degree.get(k,0) for k in nodes]
    else:
        degseq=[v for k, v in G.degree()]
    dmax=max(degseq)+1
    freq= [ 0 for d in range(dmax) ]
    for d in degseq:
        freq[d] += 1
    return freq

和上面类似，我们可以为入度 or/and 和出度生成一个图。这是一个带有随机尺度-gree 图的示例：

G = nx.scale_free_graph(5000)

in_degree_freq = degree_histogram_directed(G, in_degree=True)
out_degree_freq = degree_histogram_directed(G, out_degree=True)
degrees = range(len(in_degree_freq))
plt.figure(figsize=(12, 8)) 
plt.loglog(range(len(in_degree_freq)), in_degree_freq, 'go-', label='in-degree') 
plt.loglog(range(len(out_degree_freq)), out_degree_freq, 'bo-', label='out-degree')
plt.xlabel('Degree')
plt.ylabel('Frequency')

使用 nx.degree_histogram 绘制图的度分布

Plotting the degree distribution of a graph using nx.degree_histogram

python

directed-graph

matplotlib

histogram

networkx