NetworkX 2.8.8 实战：Python 构建 ER/WS/BA 三大网络模型，5分钟生成可视化对比图

NetworkX 2.8.8 实战：Python构建ER/WS/BA三大网络模型与可视化对比

1. 复杂网络模型基础认知

当我们观察社交网络中的好友关系、互联网中的网页链接或生物体内的蛋白质相互作用时，这些系统都可以抽象为复杂网络——由大量节点通过边连接构成的图结构。在理论研究中，有三种经典模型构成了复杂网络分析的基石：

ER随机网络（Erdős-Rényi模型）就像一场大型社交舞会，组织者随机为参与者配对跳舞。假设有N个人参加，每对人以概率p共舞。这种完全随机的连接方式会产生度分布近似泊松分布的网络，大多数节点的连接数接近平均值。

WS小世界网络（Watts-Strogatz模型）则模拟了真实社交的有趣特性：你的大部分朋友彼此也认识（高聚类），但通过少数"社交达人"就能联系到远方的人（短路径）。从规则环状网络出发，以概率p重新连接边，在保持高聚类的同时显著缩短路径长度。

BA无标度网络（Barabási-Albert模型）揭示了"富者愈富"现象。新加入网络的节点更倾向于连接已有高度连接的节点，导致度分布服从幂律——少数枢纽节点拥有大量连接，而大多数节点只有少量连接。

import networkx as nx import matplotlib.pyplot as plt # 三大模型生成示例 er = nx.erdos_renyi_graph(n=30, p=0.1) ws = nx.watts_strogatz_graph(n=30, k=4, p=0.3) ba = nx.barabasi_albert_graph(n=30, m=2) fig, axes = plt.subplots(1, 3, figsize=(18, 5)) nx.draw(er, ax=axes[0], node_size=100); axes[0].set_title("ER随机网络") nx.draw(ws, ax=axes[1], node_size=100); axes[1].set_title("WS小世界网络") nx.draw(ba, ax=axes[2], node_size=100); axes[2].set_title("BA无标度网络") plt.show()

2. 网络生成与参数配置实战

2.1 ER随机网络构建

ER模型的核心参数是连接概率p，它直接影响网络的平均度〈k〉=p(N-1)。当p大于临界值pc≈1/N时，网络会出现巨连通分量。

def generate_er_network(N, p): """ 生成ER随机网络 :param N: 节点数量 :param p: 连接概率 :return: NetworkX图对象 """ G = nx.Graph() G.add_nodes_from(range(N)) for i in range(N): for j in range(i+1, N): if np.random.random() < p: G.add_edge(i, j) return G er_network = generate_er_network(1000, 0.01) print(f"ER网络边数: {er_network.number_of_edges()}")

2.2 WS小世界网络构建

WS模型有三个关键参数：

• N：节点数
• k：初始每个节点的邻居数（必须为偶数）
• p：边重连概率

当p=0时为规则网络，p=1时变为随机网络，在0.001<p<0.1区间呈现小世界特性。

def generate_ws_network(N, k, p): """ 生成WS小世界网络 :param N: 节点数 :param k: 初始邻节点数 :param p: 重连概率 :return: NetworkX图对象 """ if k >= N or k%2 != 0: raise ValueError("k必须为偶数且小于N") G = nx.Graph() G.add_nodes_from(range(N)) # 初始环形连接 for i in range(N): for j in range(1, k//2 +1): G.add_edge(i, (i+j)%N) # 边重连过程 for edge in list(G.edges()): if np.random.random() < p: u, v = edge G.remove_edge(u, v) new_v = np.random.choice(list(set(range(N)) - set(G.neighbors(u)) - {u})) G.add_edge(u, new_v) return G ws_network = generate_ws_network(1000, 10, 0.1)

2.3 BA无标度网络构建

BA模型通过优先连接机制生成增长网络：

1. 初始有m0个节点
2. 每次新增一个带m条边的节点
3. 新边连接到现有节点i的概率与i的度数成正比

def generate_ba_network(N, m): """ 生成BA无标度网络 :param N: 最终节点数 :param m: 每个新节点的边数 :return: NetworkX图对象 """ if m < 1 or m >= N: raise ValueError("m必须在[1, N-1]区间") G = nx.complete_graph(m) # 初始完全图 for new_node in range(m, N): # 计算现有节点的度分布 degrees = dict(G.degree()) total_degree = sum(degrees.values()) # 选择连接目标 targets = [] while len(targets) < m: r = random.uniform(0, total_degree) cumulative = 0 for node, degree in degrees.items(): cumulative += degree if r <= cumulative and node not in targets: targets.append(node) break # 添加新节点和边 G.add_node(new_node) for target in targets: G.add_edge(new_node, target) return G ba_network = generate_ba_network(1000, 3)

3. 网络特性量化分析

3.1 度分布可视化

三大网络的度分布呈现显著差异：

def plot_degree_distribution(G, title): degrees = [d for n, d in G.degree()] plt.hist(degrees, bins=range(min(degrees), max(degrees)+1), density=True) plt.title(f"{title}度分布") plt.xlabel("度") plt.ylabel("频率") plt.figure(figsize=(15,4)) plt.subplot(131); plot_degree_distribution(er_network, "ER") plt.subplot(132); plot_degree_distribution(ws_network, "WS") plt.subplot(133); plot_degree_distribution(ba_network, "BA") plt.tight_layout()

3.2 关键指标计算

我们使用NetworkX内置函数计算三大核心指标：

def calculate_metrics(G, name): return { "网络类型": name, "平均路径长度": nx.average_shortest_path_length(G) if nx.is_connected(G) else float('inf'), "集聚系数": nx.average_clustering(G), "度分布峰度": scipy.stats.kurtosis([d for n,d in G.degree()]) } metrics = pd.DataFrame([ calculate_metrics(er_network, "ER"), calculate_metrics(ws_network, "WS"), calculate_metrics(ba_network, "BA") ]) print(metrics)

典型输出结果对比：

3.3 可视化对比仪表盘

def create_network_dashboard(G, pos=None, title=""): if pos is None: pos = nx.spring_layout(G, seed=42) plt.figure(figsize=(12,5)) # 网络可视化 plt.subplot(121) nx.draw(G, pos, node_size=20, width=0.5) plt.title(f"{title}拓扑结构") # 度分布直方图 plt.subplot(122) degrees = [d for n, d in G.degree()] plt.hist(degrees, bins=20, density=True) plt.title(f"{title}度分布") plt.xlabel("度"); plt.ylabel("频率") # 生成布局保持一致性 er_pos = nx.spring_layout(er_network, seed=42) ws_pos = nx.spring_layout(ws_network, seed=42) ba_pos = nx.spring_layout(ba_network, seed=42) create_network_dashboard(er_network, er_pos, "ER随机网络") create_network_dashboard(ws_network, ws_pos, "WS小世界网络") create_network_dashboard(ba_network, ba_pos, "BA无标度网络")

4. 进阶分析与优化技巧

4.1 巨型组件分析

对于大型稀疏ER网络，当p > (1+ε)/N时几乎必然形成巨型组件：

def giant_component_analysis(): N = 1000 p_values = np.linspace(0.001, 0.01, 20) giant_sizes = [] for p in p_values: sizes = [] for _ in range(5): # 多次实验取平均 G = nx.erdos_renyi_graph(N, p) giant = max(nx.connected_components(G), key=len) sizes.append(len(giant)/N) giant_sizes.append(np.mean(sizes)) plt.plot(p_values, giant_sizes) plt.axvline(x=1/N, color='r', linestyle='--') plt.title("ER网络巨型组件相变") plt.xlabel("连接概率p"); plt.ylabel("巨型组件比例") giant_component_analysis()

4.2 小世界效应验证

通过系统改变WS模型的重连概率p，观察聚类系数和平均路径长度的变化：

def small_world_analysis(): N, k = 500, 6 p_values = np.logspace(-4, 0, 20) clustering = [] path_lengths = [] for p in p_values: ws = nx.watts_strogatz_graph(N, k, p) clustering.append(nx.average_clustering(ws)) try: path_lengths.append(nx.average_shortest_path_length(ws)) except: path_lengths.append(float('nan')) fig, ax1 = plt.subplots() ax1.plot(p_values, clustering, 'b-') ax1.set_xscale('log') ax1.set_xlabel('重连概率p') ax1.set_ylabel('聚类系数', color='b') ax2 = ax1.twinx() ax2.plot(p_values, path_lengths, 'r-') ax2.set_ylabel('平均路径长度', color='r') plt.title("WS小世界网络特性演化") small_world_analysis()

4.3 性能优化策略

当处理超大规模网络时（节点数>1e6），可采用以下优化：

# 稀疏矩阵存储 from scipy.sparse import csr_matrix def to_sparse_adjacency(G): n = G.number_of_nodes() rows, cols = zip(*G.edges()) data = np.ones(len(rows)) return csr_matrix((data, (rows, cols)), shape=(n,n)) # 并行计算聚类系数 from multiprocessing import Pool def parallel_clustering(G, workers=4): nodes = list(G.nodes()) with Pool(workers) as p: clustering = p.map(lambda n: nx.clustering(G, n), nodes) return sum(clustering)/len(nodes)

5. 实际应用场景扩展

5.1 社交网络模拟

def simulate_social_network(N, p_ws=0.1, m_ba=3): # 基础社交圈-小世界特性 base = nx.watts_strogatz_graph(N, k=10, p=p_ws) # 添加意见领袖-无标度特性 influencers = nx.barabasi_albert_graph(N, m=m_ba) social_net = nx.compose(base, influencers) # 随机弱连接-ER特性 for u,v in combinations(social_net.nodes(), 2): if not social_net.has_edge(u,v) and random.random() < 0.01: social_net.add_edge(u,v) return social_net

5.2 网络鲁棒性测试

def robustness_test(G, attack='random'): nodes = list(G.nodes()) if attack == 'targeted': nodes.sort(key=lambda x: -G.degree(x)) connected = [] temp = G.copy() for i in range(1, len(nodes)+1): temp.remove_node(nodes[i-1]) connected.append(len(max(nx.connected_components(temp), key=len))/len(nodes)) plt.plot(np.arange(1,len(nodes)+1)/len(nodes), connected) plt.title(f"{attack.capitalize()}攻击下的网络鲁棒性") plt.xlabel("节点移除比例"); plt.ylabel("最大连通分量比例") robustness_test(ba_network, 'random') robustness_test(ba_network, 'targeted')

5.3 动态网络演化

def dynamic_network_evolution(N=100, steps=50): G = nx.complete_graph(5) # 初始核心 for t in range(steps): # 新增节点优先连接 new_node = N + t targets = [] degrees = dict(G.degree()) total_degree = sum(degrees.values()) m = min(3, len(G)) # 每个时间步新增3条边 while len(targets) < m and total_degree >0: r = random.uniform(0, total_degree) cumulative = 0 for node, degree in degrees.items(): cumulative += degree if r <= cumulative and node not in targets: targets.append(node) break G.add_node(new_node) for target in targets: G.add_edge(new_node, target) # 随机重连现有边 for edge in random.sample(list(G.edges()), min(10, len(G.edges()))): G.remove_edge(*edge) new_target = random.choice(list(set(G.nodes()) - set(G.neighbors(edge[0])))) G.add_edge(edge[0], new_target) return G