动态权重更新需绕开networkx只读限制，每次修改后须重调算法；graph-tool通过edgepropertymap支持自动感知变化；自定义dijkstra应避免重建堆，可用过期标记或支持decrease-key的堆；需校验拓扑一致性并追踪delta影响。
动态权重更新必须绕开 NetworkX 的只读边属性
NetworkX 默认把边权当作静态元数据，graph[u][v]['weight'] 虽可赋值，但绝大多数内置算法（如 nx.shortest_path、nx.dijkstra_path）在调用时会**一次性快照式读取权重**，后续修改边权不会触发重计算。这不是 bug，是设计使然——图结构和算法执行是分离的。
实操建议：
- 若坚持用 NetworkX，每次权重变更后必须显式重新调用算法函数，不能复用旧结果
- 避免在循环中反复调用
nx.dijkstra_path_length等高开销函数；改用nx.DiGraph+ 手动维护距离字典，或切换到底层支持增量更新的库 - 对小图（节点 subgraph = nx.subgraph_view(G, filter_edge=lambda u,v,d: d.get('weight', 0) > threshold)
用 graph-tool 替代 NetworkX 实现真正的动态边权
graph-tool 的 EdgePropertyMap 是底层绑定的，修改后所有依赖该属性的算法（如最短路径、中心性）能自动感知变化，无需手动重跑。它基于 C++ Boost Graph Library，性能也更稳。
关键操作：
- 初始化边权属性：
weight_prop = g.new_edge_property("double")，然后用g.ep.weight = weight_prop绑定 - 实时更新某条边：
e = list(g.edges())[0]; weight_prop[e] = 2.5（注意不是e['weight'] = ...） - 调用算法时显式传入属性：
dist = shortest_distance(g, source=v, weights=weight_prop) - 不支持 Python 原生 dict 或 pandas Series 直接赋值，需转为 numpy 数组再批量写入
weight_prop.a = arr
自定义 Dijkstra 实现时，权重更新如何避免重复建堆？
标准 Dijkstra 每次运行都从头构建优先队列，动态场景下效率低。真正高效的做法是复用已有的 heapq 并支持“降低键值”（decrease-key）——但 Python heapq 不提供该接口。
可行方案：
- 用
queue.PriorityQueue配合过期标记：插入新权重时不做删除，仅推入新条目；出队时检查当前节点的已知最短距离是否已更优，跳过陈旧项 - 改用第三方库
pyheapq或手写配对堆（pairing heap），支持 O(log n) decrease-key - 若只做少量边权下调（如流量调度中的拥塞缓解），可只对受影响节点局部重算，而非全图刷新
- 别用
list.sort()模拟堆——时间复杂度退化到 O(n² log n)
权重更新引发的拓扑一致性问题常被忽略
动态权重本身不改变图结构，但某些算法隐含假设：比如 PageRank 要求图强连通，若某次权重衰减导致某节点出度为 0，nx.pagerank 仍会返回结果，但数值已无意义；又如最小生成树，权重变动能让原 MST 不再最优，但 nx.minimum_spanning_tree 不会自动检测。
防御性做法：
- 在权重更新后，加一层轻量校验：
if not nx.is_strongly_connected(g): warn("PR may diverge") - 对 MST 类任务，用
nx.tree.branchings.maximum_branching替代，它接受边权更新并支持check_cycle=True - 记录每次权重变更的 delta 和影响范围（如哪些节点的最短路径前驱变了），比全量重算更省资源
动态图算法真正的难点不在“怎么改权重”，而在“改完之后，哪些中间状态还可信”。多数人卡在这一步：以为更新了边权就万事大吉，实际下游模块还在用缓存的老距离、老树结构或老收敛阈值。
Python免费学习笔记（深入）：立即使用
在学习笔记中，你将探索 Python 的核心概念和高级技巧！
