python關(guān)系圖的可視化主要就是用來(lái)分析一堆數(shù)據(jù)中，每一條數(shù)據(jù)的節(jié)點(diǎn)之間的連接關(guān)系從而更好的分析出人物或其他場(chǎng)景中存在的關(guān)聯(lián)關(guān)系。

這里使用的是networkx的python非標(biāo)準(zhǔn)庫(kù)來(lái)測(cè)試效果展示，通過(guò)模擬出一組DataFrame數(shù)據(jù)實(shí)現(xiàn)四種關(guān)系圖可視化。

其余還包含了pandas的數(shù)據(jù)分析模塊以及matplotlib的畫(huà)圖模塊。

若是沒(méi)有安裝這三個(gè)相關(guān)的非標(biāo)準(zhǔn)庫(kù)使用pip的方式安裝一下即可。

pip?install?pandas?-i?https://pypi.tuna.tsinghua.edu.cn/simple/

pip?install?matplotlib?-i?https://pypi.tuna.tsinghua.edu.cn/simple/

pip?install?networkx?-i?https://pypi.tuna.tsinghua.edu.cn/simple/

分別將使用到的python模塊導(dǎo)入到我們的代碼塊中，就可以開(kāi)始開(kāi)發(fā)了。

#?Importing?the?matplotlib.pyplot?module?as?plt.
import?matplotlib.pyplot?as?plt

#?Importing?the?pandas?module?and?giving?it?the?alias?pd.
import?pandas?as?pd

這里為了避免中文亂碼的情況，分別對(duì)字體和編碼進(jìn)行了統(tǒng)一化的設(shè)置處理。

plt.rcParams["font.sans-serif"]?=?["SimHei"]
plt.rcParams["axes.unicode_minus"]?=?False

#?Importing?the?networkx?module?and?giving?it?the?alias?nx.
import?networkx?as?nx

這里我們采用了有向圖的模式來(lái)進(jìn)行演示，有向圖也是在生產(chǎn)過(guò)程中最常用的一種可視化模式。

G?=?nx.DiGraph()?#?創(chuàng)建有向圖

初始化一個(gè)DataFrame數(shù)據(jù)對(duì)象作為關(guān)系圖生成的數(shù)據(jù)來(lái)源。

data_frame?=?pd.DataFrame(
????{
????????'A':?['1',?'2',?'3',?'4',?'5',?'6'],
????????'B':?['a',?'b',?'c',?'d',?'e',?'f'],
????????'C':?[1,?2,?3,?4,?5,?6]
????}
)

1、隨機(jī)分布模型

使用隨機(jī)分布模型的生成規(guī)則時(shí)，生成的數(shù)據(jù)節(jié)點(diǎn)會(huì)采用隨機(jī)的方式進(jìn)行展示，生成的數(shù)據(jù)節(jié)點(diǎn)之間相對(duì)比較分散更容易觀察數(shù)據(jù)節(jié)點(diǎn)之間的關(guān)系指向。

for?i,?row?in?data_frame.iterrows():
????G.add_edge(row['A'],?row['B'],?weight=row['C'])

pos?=?nx.random_layout(G)

nx.draw(G,?pos,?with_labels=True,?alpha=0.7)

labels?=?nx.get_edge_attributes(G,?'weight')

nx.draw_networkx_edge_labels(G,?pos,?edge_labels=labels)

plt.axis('equal')

plt.show()

通過(guò)matplotlib展示出圖形效果如下，并且默認(rèn)已經(jīng)添加了數(shù)據(jù)權(quán)重。

2、放射數(shù)據(jù)模型

放射狀數(shù)據(jù)模型，顧名思義就是以一個(gè)數(shù)據(jù)節(jié)點(diǎn)為中心向周邊以發(fā)散狀的模式進(jìn)行分布，使用數(shù)據(jù)節(jié)點(diǎn)指向多個(gè)節(jié)點(diǎn)的可視化展示。

缺點(diǎn)是如果數(shù)據(jù)不夠規(guī)范的情況下會(huì)展示成一團(tuán)亂麻的情況，需要經(jīng)過(guò)特殊的可視化處理。

使用方法這里直接將上述隨機(jī)分布模型的pos模型直接替換成下面的放射狀數(shù)據(jù)模型即可。

pos?=?nx.spring_layout(G,?seed=4000,?k=2)

3、其他模型

其余兩種方式使用同樣的方式將隨機(jī)分布模型中pos模型進(jìn)行替換即可實(shí)現(xiàn)，這里分別展示以下實(shí)現(xiàn)效果。

特征值向量模型

pos?=?nx.spectral_layout(G)

圖形邊緣化分布模型

pos?=?nx.shell_layout(G)

到此這篇關(guān)于詳解Python中四種關(guān)系圖數(shù)據(jù)可視化的效果對(duì)比的文章就介紹到這了,更多相關(guān)Python關(guān)系圖內(nèi)容請(qǐng)搜索腳本之家以前的文章或繼續(xù)瀏覽下面的相關(guān)文章希望大家以后多多支持腳本之家！

最新評(píng)論