1. NetworkX 套件概述 簡介： NetworkX 是一個 Python 套件，用來建立、操作及分析圖資料結構與網絡。 支援多種圖類型與豐富的圖論演算法（例如最短路徑、中心性分析等）。 官方文件與教程： NetworkX 官方文件 NetworkX Tutorial 安裝方式： pip install networkx 2. NetworkX 基本操作 2.1 建立與操作圖 建立一個簡單的無向圖： import networkx as nx import matplotlib.pyplot as plt # 建立無向圖 G = nx.Graph() # 新增節點 G.add_node("A") G.add_nodes_from(["B", "C", "D"]) # 新增邊 (可同時新增節點) G.add_edge("A", "B") G.add_edges_from([("A", "C"), ("B", "D")]) # 顯示圖形 nx.draw(G, with_labels=True, node_color='lightblue', edge_color='gray') plt.show() 2.2 設定節點與邊的屬性 為節點與邊添加屬性： # 節點屬性 G.nodes["A"]['role'] = "中心節點" # 邊屬性 G["A"]["B"]['weight'] = 2.5 # 查詢屬性 print(G.nodes(data=True)) print(G.edges(data=True)) 3. 進階圖論操作與分析 3.1 常見圖論算法 最短路徑： # 計算從 A 到 D 的最短路徑 path = nx.shortest_path(G, source="A", target="D") print("最短路徑：", path) 中心性分析： # 計算各節點的度中心性 degree_centrality = nx.degree_centrality(G) print("度中心性：", degree_centrality) 圖遍歷（例如 BFS）： bfs_nodes = list(nx.bfs_tree(G, source="A")) print("BFS 遍歷結果：", bfs_nodes) 3.2 實戰案例：知識圖譜構建 案例背景： 建立一個電影知識圖譜，包含電影、演員與導演三種實體及其關係 實作範例： # 建立有向圖 (知識圖譜通常會使用有向圖表達關係) KG = nx.DiGraph() # 新增節點（實體） KG.add_node("電影A", type="電影") KG.add_node("導演X", type="導演") KG.add_node("演員Y", type="演員") KG.add_node("演員Z", type="演員") # 新增邊（關係） KG.add_edge("導演X", "電影A", relation="執導") KG.add_edge("演員Y", "電影A", relation="主演") KG.add_edge("演員Z", "電影A", relation="配角") # 可視化知識圖譜 pos = nx.spring_layout(KG) nx.draw(KG, pos, with_labels=True, node_color='lightgreen', arrows=True) # 顯示邊的標籤 edge_labels = nx.get_edge_attributes(KG, 'relation') nx.draw_networkx_edge_labels(KG, pos, edge_labels=edge_labels) plt.show() 4. 圖形視覺化與佈局調整 不同佈局方式： Spring Layout（彈簧佈局） Circular Layout（圓形佈局） Shell Layout（同心圓佈局） 調整視覺化參數： pos = nx.spring_layout(G) nx.draw_networkx(G, pos, node_color='lightblue', edge_color='gray', node_size=800, font_size=12) plt.title("NetworkX 圖形示例") plt.show() 互動視覺化工具： 可考慮結合 Plotly、Bokeh 或其他互動式視覺化工具，提供動態圖形展示 5. 延伸應用與實際案例 5.1 資料預處理與匯入 從 CSV、JSON 或資料庫讀取圖資料： import csv G_data = nx.Graph() with open('edges.csv', 'r', encoding='utf-8') as f: reader = csv.reader(f) for row in reader: node1, node2 = row[0], row[1] G_data.add_edge(node1, node2) 5.2 與其他圖資料庫的比較 NetworkX vs Neo4j： NetworkX 適合用於記憶體中圖資料的處理與分析 Neo4j 適合大規模、持久化的圖資料管理 5.3 實戰專案 專案設計： 選取一個主題（如社群網絡、知識圖譜、網絡爬蟲） 從網路或公開資料集中擷取資料，進行預處理後利用 NetworkX 建構圖 分析圖中關鍵節點、社群結構或路徑信息，並製作報告 6. 參考資源與延伸閱讀 官方文件： NetworkX Documentation 線上文章： 搜尋關鍵字：「Python NetworkX 教學」、「NetworkX 實例」等，可參考 Medium、CSDN 等平台上的實作文章 影片教學： YouTube 搜尋「NetworkX 教學」或「Python 網絡分析」，例如 Data Science 或 Python 教學頻道 GitHub 專案： 搜尋「NetworkX tutorial」、「NetworkX examples」，參考實作案例與完整範例程式碼 書籍推薦： “Network Science” by Albert-László Barabási（輔助理解圖論概念） 與 Python 相關的圖論與網絡分析書籍（書中通常附有 NetworkX 的案例）