Python NetworkX spring_layout用法及代码示例

使用Fruchterman-Reingold force-directed算法定位节点。

该算法模拟网络的force-directed 表示，将边视为使节点靠近的弹簧，同时将节点视为排斥对象，有时称为反重力。模拟继续进行，直到位置接近平衡。

有一些 hard-coded 值：节点之间的最小距离 (0.01) 和 0.1 的 “temperature” 以确保节点不会飞走。在模拟过程中，k 帮助确定节点之间的距离，但在模拟结束时重新缩放后，scale 和 center 确定大小和位置。

修复一些节点不允许它们在模拟中移动。它还会在模拟结束时关闭重新缩放函数。此外，将scale 设置为 None 会关闭重新缩放。

参数：

G：NetworkX 图或节点列表

G 中的每个节点都会分配一个位置。

k：浮点数(默认=无)

节点之间的最佳距离。如果没有，则距离设置为 1/sqrt(n)，其中 n 是节点数。增加此值可将节点移得更远。

pos：dict 或 None 可选(默认=无)

节点的初始位置作为字典，节点作为键，值作为坐标列表或元组。如果没有，则使用随机初始位置。

fixed：列表或无可选(默认=无)

节点保持固定在初始位置。不在G.nodes 中的节点将被忽略。 ValueError 如果指定了 fixed 而未指定 pos，则会引发 ValueError。

iterations：int 可选(默认=50)

最大迭代次数

threshold: float optional (default = 1e-4)：

节点位置变化相对误差的阈值。如果误差低于此阈值，则迭代停止。

weight：字符串或无可选(默认='weight')

保存用于边权重的数值的边属性。更大意味着更强的吸引力。如果无，则所有边权重为 1。

scale：数字或无(默认值：1)

位置的比例因子。除非 fixed is None 否则不使用。如果 scale 为 None，则不执行重新缩放。

center：类似数组或无

使布局居中的坐标对。除非 fixed is None 否则不使用。

dim：int

布局的维度。

seed：int、RandomState 实例或 None 可选(默认 = None)

设置确定性节点布局的随机状态。如果是 int，seed 是随机数生成器使用的种子，如果是 numpy.random.RandomState 实例，seed 是随机数生成器，如果是 None，则随机数生成器是 numpy 使用的 RandomState 实例。随机的。

返回：

pos：dict

由节点键入的位置字典

例子：

>>> G = nx.path_graph(4)
>>> pos = nx.spring_layout(G)

# 同样使用更长但等效的函数名 >>> pos = nx.fruchterman_reingold_layout(G)