Python 从数据帧构造NetworkX图

我想从一个简单的数据框创建一些NetworkX图：

        Loc 1   Loc 2   Loc 3   Loc 4   Loc 5   Loc 6   Loc 7
Foo     0       0       1       1       0       0           0
Bar     0       0       1       1       0       1           1
Baz     0       0       1       0       0       0           0
Bat     0       0       1       0       0       1           0
Quux    1       0       0       0       0       0           0

其中

Foo…

为索引，

Loc 1

至

Loc 7

为列。但是，转换为Numpy矩阵或重新排列似乎无法为

nx.Graph（）

生成输入。是否有实现这一目标的标准战略？我并不反对将Pandas-->dumping to CSV-->导入NetworkX中的数据重新格式化，但似乎我应该能够从索引中生成边，并从值中生成节点。

（节点和边），也许*您想传递它：

In [11]: df2 = pd.concat([df, df.T]).fillna(0)

注意：索引和列的顺序必须相同

这不会将列/索引名称传递给图形，如果您想这样做，您可以使用（您可能必须小心重复，这在pandas的数据帧中是允许的）：

*对于所需的图形，列和索引究竟代表什么还不清楚。

回答有点晚，但是，在这种情况下，理想情况下，对于简单的有向图，格式如下所示：

+----------+---------+---------+
|   Source |  Target |  Weight |
+==========+=========+=========+
| Node_1   | Node_2  |   0.2   |
+----------+---------+---------+
| Node_2   | Node_1  |   0.6   |   
+----------+---------+---------+

---

如果您使用的是邻接矩阵，那么Andy Hayden是对的，您应该注意正确的格式。因为在你的问题中你使用了0和1，我想你会想看到一个无向图。首先，这似乎有悖常理，因为你说索引表示一个人，列表示一个人所属的组，但从另一方面来说，组（成员）属于一个人也是正确的。按照这个逻辑，实际上应该将组放在索引中，将人员也放在列中

---

只是一个旁注：您还可以在有向图的意义上定义这个问题，例如，您希望可视化层次类别的关联网络。在那里，从Samwise Gamgee到Hobbit的关联通常比在另一个方向上更强（因为Frodo Baggins更可能是Hobbit原型）

您也可以使用scipy创建如下方形矩阵：

import scipy.sparse as sp

cols = df.columns
X = sp.csr_matrix(df.astype(int).values)
Xc = X.T * X  # multiply sparse matrix
Xc.setdiag(0)  # reset diagonal

# create dataframe from co-occurence matrix in dense format
df = pd.DataFrame(Xc.todense(), index=cols, columns=cols)

稍后，您可以从dataframe创建边缘列表并将其导入Networkx：

df = df.stack().reset_index()
df.columns = ['source', 'target', 'weight']

df = df[df['weight'] != 0]  # remove non-connected nodes

g = nx.from_pandas_edgelist(df, 'source', 'target', ['weight'])

---

索引表示一个人，列表示一个人所属的组。

import scipy.sparse as sp

cols = df.columns
X = sp.csr_matrix(df.astype(int).values)
Xc = X.T * X  # multiply sparse matrix
Xc.setdiag(0)  # reset diagonal

# create dataframe from co-occurence matrix in dense format
df = pd.DataFrame(Xc.todense(), index=cols, columns=cols)

df = df.stack().reset_index()
df.columns = ['source', 'target', 'weight']

df = df[df['weight'] != 0]  # remove non-connected nodes

g = nx.from_pandas_edgelist(df, 'source', 'target', ['weight'])