# -*- coding: utf-8 -*-# @Author : 小红牛# 微信公众号：wdPythonimport networkx as nximport matplotlib.pyplot as pltfrom matplotlib.colors import ListedColormapimport numpy as np# 设置中文字体，解决中文显示问题plt.rcParams['font.sans-serif'] = ['SimHei', 'Microsoft YaHei', 'DejaVu Sans']plt.rcParams['axes.unicode_minus'] = False# 创建社交网络图G = nx.Graph()# 添加节点（用户）users = [    {"id": 1, "name": "Alice", "age": 25, "gender": "F"},    {"id": 2, "name": "Bob", "age": 30, "gender": "M"},    {"id": 3, "name": "Charlie", "age": 35, "gender": "M"},    {"id": 4, "name": "Diana", "age": 28, "gender": "F"},    {"id": 5, "name": "Eve", "age": 32, "gender": "F"},    {"id": 6, "name": "Frank", "age": 40, "gender": "M"},    {"id": 7, "name": "Grace", "age": 27, "gender": "F"},    {"id": 8, "name": "Henry", "age": 45, "gender": "M"}]# 添加带属性的节点for user in users:    G.add_node(user["id"], **user)# 添加边（好友关系）friendships = [    (1, 2), (1, 3), (1, 4), (2, 3), (2, 5),    (3, 4), (3, 6), (4, 5), (4, 7), (5, 6),    (5, 7), (6, 7), (6, 8), (7, 8),    # 加强某些关系（权重）    (1, 4, {"weight": 2.0}),  # Alice和Diana更亲密    (2, 3, {"weight": 1.5}),  # Bob和Charlie更亲密]for edge in friendships:    if len(edge) == 2:        G.add_edge(edge[0], edge[1], weight=1.0)    else:        G.add_edge(edge[0], edge[1], **edge[2])def analyze_social_network(G):    """分析社交网络"""    print("=== 社交网络分析 ===")    # 基本统计    print(f"1. 网络规模:")    print(f"   节点数: {G.number_of_nodes()}")    print(f"   边数: {G.number_of_edges()}")    print(f"   网络密度: {nx.density(G):.3f}")    # 度中心性    print(f"\n2. 度中心性（好友数最多的用户）:")    degrees = dict(G.degree())    for node_id, degree in sorted(degrees.items(), key=lambda x: x[1], reverse=True)[:3]:        name = G.nodes[node_id]["name"]        print(f"   {name} (ID:{node_id}): {degree} 个好友")    # 紧密中心性    print(f"\n3. 紧密中心性（信息传递最快的用户）:")    closeness = nx.closeness_centrality(G)    for node_id, score in sorted(closeness.items(), key=lambda x: x[1], reverse=True)[:3]:        name = G.nodes[node_id]["name"]        print(f"   {name}: {score:.3f}")    # 中介中心性    print(f"\n4. 中介中心性（关键枢纽用户）:")    betweenness = nx.betweenness_centrality(G)    for node_id, score in sorted(betweenness.items(), key=lambda x: x[1], reverse=True)[:3]:        name = G.nodes[node_id]["name"]        print(f"   {name}: {score:.3f}")    # 社区检测    print(f"\n5. 社区检测（使用Louvain算法）:")    try:        import community as community_louvain        partition = community_louvain.best_partition(G)        communities = {}        for node, comm_id in partition.items():            communities.setdefault(comm_id, []).append(G.nodes[node]["name"])        for comm_id, members in communities.items():            print(f"   社区 {comm_id}: {', '.join(members)}")    except ImportError:        print("   请安装python-louvain包: pip install python-louvain")    # 查找影响力大的用户（PageRank）    print(f"\n6. PageRank（用户影响力排名）:")    pagerank = nx.pagerank(G, weight='weight')    for node_id, score in sorted(pagerank.items(), key=lambda x: x[1], reverse=True):        name = G.nodes[node_id]["name"]        print(f"   {name}: {score:.4f}")    # 查找关键路径    print(f"\n7. 网络中的关键路径:")    all_pairs_shortest = dict(nx.all_pairs_shortest_path_length(G))    max_distance = 0    critical_pair = None    for source in G.nodes():        for target in G.nodes():            if source < target:                distance = all_pairs_shortest[source][target]                if distance > max_distance:                    max_distance = distance                    critical_pair = (source, target)    if critical_pair:        name1 = G.nodes[critical_pair[0]]["name"]        name2 = G.nodes[critical_pair[1]]["name"]        print(f"   最长路径: {name1} ↔ {name2} (距离: {max_distance})")    # 查找三角形关系    print(f"\n8. 三角形关系（共同好友圈）:")    triangles = nx.triangles(G)    for node_id, count in sorted(triangles.items(), key=lambda x: x[1], reverse=True):        if count > 0:            name = G.nodes[node_id]["name"]            print(f"   {name} 参与了 {count} 个三角形关系")def visualize_network(G):    """可视化网络"""    plt.figure(figsize=(12, 8))    # 使用Spring布局    pos = nx.spring_layout(G, k=1, iterations=50, seed=42)    # 按性别设置节点颜色    node_colors = []    for node in G.nodes():        gender = G.nodes[node]["gender"]        node_colors.append('lightcoral' if gender == 'F' else 'lightblue')    # 按权重设置边宽度    edge_weights = [G[u][v].get('weight', 1.0) for u, v in G.edges()]    # 绘制网络    nx.draw_networkx_nodes(G, pos, node_size=800,                           node_color=node_colors, alpha=0.9)    nx.draw_networkx_edges(G, pos, width=edge_weights,                           alpha=0.5, edge_color='gray')    nx.draw_networkx_labels(G, pos,                            labels={n: G.nodes[n]["name"] for n in G.nodes()},                           font_size=10, font_weight='bold')    # 添加标题    plt.title("社交网络可视化\n(红色:女性, 蓝色:男性, 线粗:关系强度)",               fontsize=14, pad=20)    plt.axis('off')    plt.tight_layout()    # 保存图片    plt.savefig('social_network.png', dpi=150, bbox_inches='tight')    plt.show()# 执行分析analyze_social_network(G)visualize_network(G)