如何在Python中利用NetworkX进行社交网络图分析与中心度计算？-Python教程-PHP中文网

networkx创建图时边数据格式选list最稳妥；若来自dataframe，需转为list元组序列，含权重时须显式构造三元组；中心性结果为0常因图不连通，应检查连通性并提取最大连通子图。

如何在python中利用networkx进行社交网络图分析与中心度计算？

NetworkX 创建图时，边数据格式选 `list` 还是 `pd.DataFrame`？

直接用 nx.Graph() + add_edges_from() 最稳妥。如果边来自 Pandas DataFrame，别直接传 df.values，容易把整行当一个元组；正确做法是先转成 list 元组序列：

edges = list(df[['source', 'target']].itertuples(index=False, name=None))

。DataFrame 里含权重列时，也得显式构造三元组：(u, v, {'weight': w})，否则 add_weighted_edges_from() 会报 ValueError: Edge tuple <...> must be 3-tuple.</...>。

计算度中心性、接近中心性和中介中心性，为什么结果全是 `0.0`？

常见原因是图不连通——nx.closeness_centrality() 和 nx.betweenness_centrality() 默认只对**强连通分量**内节点计算，孤立节点或跨连通分量的路径不存在，就返回 0。解决办法：对无向图，加参数 distance='weight' 前先确认边有权重；更关键的是，用 nx.is_connected(G) 检查，若为 False，应先取最大连通子图：

Python 3.14.2

Python 3.14.2是Python编程语言在2025年12月5日发布的稳定版本，属于3.14系列的第二个维护更新。该版本包含了18项修复，重点解决了多进程、数据类及正则表达式等模块的回归问题，并修复了CVE-2025-12084等安全漏洞。此版本标志着自由线程模式（移除GIL）正式获得官方支持，是Python发展的重要里程碑。

下载

G_main = max(nx.connected_components(G), key=len)<br>G_sub = G.subgraph(G_main).copy()

。另外，nx.betweenness_centrality() 对大图（>1k 节点）默认不归一化，要加 normalized=True 才方便横向比较。

`nx.pagerank()` 返回值和节点顺序对不上，怎么对齐？

nx.pagerank() 返回的是 dict，键是节点 ID（可能是 int、str 或 tuple），不保证顺序。若你用 list(G.nodes()) 构造索引数组，必须确保节点 ID 类型一致——比如 CSV 读入的 ID 默认是字符串，但图中节点被误建为 int，查 pagerank_dict.get(123) 就返回 None。建议统一用 str：

G.add_edge(str(row['src']), str(row['dst']))

。导出结果时，用 sorted(pagerank_dict.items()) 或按原始节点列表排序：

nodes = list(G.nodes())<br>pr_vals = [pagerank_dict[n] for n in nodes]

。

中文节点名导致绘图乱码或布局错乱，怎么处理？

NetworkX 本身不渲染文字，乱码实际来自 Matplotlib。需在绘图前设置字体：

import matplotlib.pyplot as plt<br>plt.rcParams['font.sans-serif'] = ['SimHei', 'Arial Unicode MS']<br>plt.rcParams['axes.unicode_minus'] = False

。但更隐蔽的问题是：中文节点名作为 dict 键时，若混用全角/半角空格或不可见字符（如从 Excel 复制），G.has_node('张三') 可能返回 False。建议清洗节点名：

clean_name = lambda s: str(s).strip().replace('　', ' ').replace('\u200b', '')

，并在添加节点前调用。另外，中文名过长会导致 nx.spring_layout() 收敛慢，可先用 scale=2.0 加大画布，或换 nx.kamada_kawai_layout() 提升稳定性。 NetworkX 的中心度函数本身很可靠，真正卡住人的往往是数据预处理那几步——节点类型不一致、图不连通、中文编码残留、权重字段没对齐。这些地方多打两次 print(list(G.nodes())[:5]) 和 print(nx.info(G))，比查文档更快定位问题。