NetworkX 是 python 上最常用的图分析包，GraphScoep 兼容 NetworkX 接口。本文中我们将分享如何用 GraphScope 像 NetworkX 一样在（大）图上进行分析。

# NetworkX 的图分析过程从图的构建开始
import networkx

# 初始化一个空的无向图
G = networkx.Graph()

# 通过 add_edges_from 接口添加边列表
# 此处添加了两条边(1, 2)和（1， 3）
G.add_edges_from([(1, 2), (1, 3)])

# 通过 add_node 添加点4
G.add_node(4)

# 接着查看一些图的信息
# 使用 G.number_of_nodes 查询图G目前点的数目
G.number_of_nodes()
# 4

# 类似地，G.number_of_edges 可以查询图G中
# 边的数量
G.number_of_edges()
# 2

# 通过 G.degree 来查看图G中每个点的度数
sorted(d for n, d in G.degree())
# [0, 1, 1, 2]

# 最后调用 NetworkX 内置的算法对对图进行分析
# 调用 connected_components 算法分析图G的
# 联通分量
list(networkx.connected_components(G))
# [1, 2, 3, 4,]

# 调用 clustering 算法分析图G的聚类情况
networkx.clustering(G)
# 1: 0, 2: 0, 3: 0, 4: 0

import graphscope.nx as nx

# 我们可以建立一个空的无向图
G = nx.Graph()

# 通过 add_node 一次添加一个节点
G.add_node(1)

# 或从任何 iterable 容器中添加节点，如列表
G.add_nodes_from([2, 3])

# 如果容器中是元组的形式，还可以在添加节点的同时，
# 添加节点属性
G.add_nodes_from([(4, "color": "red"), (5, "color": "green")])

# 对于边，可以通过 add_edge 的一次添加一条边
G.add_edge(1, 2)
e = (2, 3)
G.add_edge(*e)

# 通过 add_edges_from 添加边列表
G.add_edges_from([(1, 2), (1, 3)])

# 或者通过边元组的方式，在添加边的同时，
# 添加边的属性
G.add_edges_from([(1, 2), (2, 3, weight: 3.1415)])

# 查询目前图中点和边的数目
G.number_of_nodes()
# 5
G.number_of_edges()
# 3

# 列出目前图中的点和边
list(G.nodes)
# [1, 2, 3, 4, 5]
list(G.edges)
# [(1, 2), (1, 3), (2, 3)]

# 查询某个点的邻居
list(G.adj[1])
# [2, 3]

# 查询某个点的度
G.degree(1)
# 2

# 通过 remove_node 删除一个点
G.remove_node(5)

# 查看图 G 现有的点，发现点5已经被删除了
list(G.nodes)
# [1, 2, 3, 4]

# 通过 remove_nodes_from 删除多个点
G.remove_nodes_from([4, 5])

# 再查看图 G 现有的点，点4也已经被删除了
list(G.nodes)
# [1, 2, 3]

# 通过 remove_edge 删除一条边
G.remove_edge(1, 2)

# 查看图 G 现有的边，(1, 2) 这条边在G中
# 已经被删除
list(G.edges)
# [(1, 3), (2, 3)]

# 通过 remove_edges_from 删除多条边
G.remove_edges_from([(1, 3), (2, 3)])

# 查看图 G 现有的边，(1, 3), (2, 3) 这两条边
# 在 G 中已经不存在了
list(G.edges)
# []

# 我们再来看一下现在的点和边的数目
G.number_of_nodes()
# 3

G.number_of_edges()
# 0

# 首先构建图
G = nx.Graph()
G.add_edges_from([(1, 2), (1, 3)])
G.add_node(4)

# 通过 connected_components 算法找出
# 图中的联通分量
list(nx.connected_components(G))
# [4， 1, 2, 3,]

# 通过 clustering 算法计算每个点的聚类系数
nx.clustering(G)
# 4: 0.0, 1: 0.0, 2: 0.0, 3: 0.0

# 计算图中节点两两之间的最短路径
sp = dict(nx.all_pairs_shortest_path(G))

# 查看节点3与其他节点的最短路径
sp[3]
# 3: [3], 1: [3, 1], 2: [3, 1, 2]

import graphscope.nx as nx
# 创建一个5个点的 star graph
G = nx.star_graph(5)
# 使用 nx.draw 绘制图
nx.draw(G, with_labels=True)

wget https://raw.githubusercontent.com/GraphScope/gstest/master/twitter.e $HOME/twitter.e

import os
import graphscope.nx as gs_nx
import networkx as nx

# 使用 NetworkX 载入 snap-twitter 图数据
g1 = nx.read_edgelist(
os.path.expandvars($HOME/twitter.e),
nodetype=int,
data=https://www.songbingjia.com/android/False,
create_using=nx.Graph
)
type(g1)
# networkx.classes.graph.Graph

# 使用 GraphScope 载入 snap-twitter 图数据
g2 = gs_nx.read_edgelist(
os.path.expandvars($HOME/twitter.e),
nodetype=int,
data=https://www.songbingjia.com/android/False,
create_using=gs_nx.Graph
)
type(g2)
# graphscope.nx.classes.graph.Graph

%%time
# 使用 GraphScope 计算图中每个点的聚类系数
ret_gs = gs_nx.clustering(g2)
# CPU times: user 213 ms, sys: 163 ms, total: 376 ms
# Wall time: 2.9 s

%%time
# 使用 NetworkX 计算图中每个点的聚类系数
ret_nx = nx.clustering(g1)
# CPU times: user 54.8 s, sys: 0 ns, total: 54.8 s
# Wall time: 54.8 s

# 对比下两者的结果是否一致
ret_gs == ret_nx
# True