在python中使用igraph创建顶点之间具有特定距离的网络

如何解决在python中使用igraph创建顶点之间具有特定距离的网络

我正在学习如何将某些集群的关系可视化为图形。假设我有 10 个集群 (0-9)，我已经计算了它们之间的距离并将其存储在名为 cluster_dist 的字典中，如下所示：

defaultdict(int,{('9','2'): 90.0541376578846,('1','5'): 35.89579773471981,('0','2'): 35.89411581688678,('5','9'): 38.71629863467774,('3','5'): 4.263508474490007,('2','8'): 23.178581625571567,'7'): 75.21291397588608,'2'): 5.785812660966547,('4','6'): 5.785812660966547,'4'): 5.785812660966547})

所以这本字典的键是表示边缘的元组，这些值是我计算的每个集群之间的距离类型。距离越大，我希望它们在图表上越远。

是否可以使用这种输入创建图形？我正在尝试这样的事情：

g.add_vertices(10)

for clusters,dist in cluster_dist.items():

    a,b = map(int,list(clusters))
    g.add_edge(a,b,weight = dist )

但在这里我不确定如何以将重量解释为距离的方式绘制此图。我是图形和 igraph 的完全菜鸟，所以我敢打赌有更好的方法可以将距离属性分配给每条边。

是否可以用节点之间的任何一组预定距离来表示网络？如果是这样，在 python 中使用 igraph 执行此操作的最佳方法是什么？在数学上不可能生成表示一组给定距离的网络的情况下，是否有任何方法可以表示近似值？

感谢您的时间:)

解决方法

使用 networkx 和 kamada_kawai_layout 作为尊重距离的布局。

import networkx as nx
import matplotlib.pyplot as plt
cluster_dist = \
        {('9','2'): 90.0541376578846,('1','5'): 35.89579773471981,('0','2'): 35.89411581688678,('5','9'): 38.71629863467774,('3','5'): 4.263508474490007,('2','8'): 23.178581625571567,'7'): 75.21291397588608,'2'): 5.785812660966547,('4','6'): 5.785812660966547,'4'): 5.785812660966547}

# convert to graph
G = nx.Graph()
for (node1,node2),weight in cluster_dist.items():
    G.add_edge(node1,node2,weight=weight)
# compute layout for plotting
pos = nx.kamada_kawai_layout(G,weight='weight')
nx.draw(G,pos)
# next code for labels is not really necessary,but I think it makes it clearer
labels = {k: round(v,2) for k,v in nx.get_edge_attributes(G,'weight').items()}
nx.draw_networkx_edge_labels(G,pos,edge_labels=labels)
nx.draw_networkx_labels(G,pos)

plt.show()

输出：

,

在了解布局的概念并深入研究使用权重计算布局的可用函数后，我找到了表示集群距离的方法。

import igraph as ig

g = ig.Graph()
g.add_vertices(10)

for clusters,dist in cluster_dist.items():
    
    a,b = map(int,list(clusters))
    g.add_edge(a,b,weight = 1/dist )
    
l = g.layout_fruchterman_reingold(weights=splicing_net.es['weight'])

ig.plot(g,layout=l,vertex_label=range(10),edge_width=ig.rescale([1/x for x in splicing_net.es["weight"]],out_range=(0.03,3)))

到目前为止，Fruchterman-Reingold 正在生成好看的加权网络。如果有人知道遵循集群距离集的计算布局的其他算法，请告诉我:)