怎么在Pycharm导入真实社交网络(语言-python)

Question

怎么导入一个真实的社交网络到我的这个sir模型里面呀，不知道怎么寻找资源和导入方法。求帮助。

import networkx as nx
import matplotlib.pyplot as plt
import random
import numpy as np

#来生成一个有N个节点，连接概率为p,邻居为k的随机网络
N = 20
p = 0.25
k = 4
#er=nx.erdos_renyi_graph(N,p)
er = nx.random_graphs.watts_strogatz_graph(N,k,p)
for i in range(N):
    er.nodes[i]['state'] = 'S'
    edge_color = 'g'
gama = 0.5
beta = 0.1

ps= nx.spring_layout(er)  #nx.spectral_layout(er)nx.circular_layout(er)nx.shell_layout(er)nx.spring_layout(er)#布置框架
colors = {"R": 'b', "I": 'r', "S": 'g'}

states= nx.get_node_attributes(er, 'state')  # 获得节点的isCore属性
color=[colors[states[i]] for i in range(N)]

#nx.draw(er,ps,node_color =color ,with_labels=True,node_size=50)
nx.draw_networkx_nodes(er,ps,node_color =color ,node_size=50)
nx.draw_networkx_edges(er,ps ,width=1,arrows=True,arrowstyle='->')


plt.show()

def centrality(G):
    #计算度中心性,降序
    dc = nx.algorithms.centrality.degree_centrality(G)
    return    sorted(dc.items(), key=lambda x: x[1],reverse = True)
def betweenness(G):
    #计算介数中心性,降序
    dc = nx.betweenness_centrality(G)
    return sorted(dc.items(), key=lambda x: x[1],reverse = True)
def closeness(G):
    #计算接近中心性,降序
    dc = nx.closeness_centrality(G)
    return sorted(dc.items(), key=lambda x: x[1],reverse = True)


def spread(G, beta, initial, func, gamma=0):
    colors = {"R": 'b', "I": 'r', "S": 'g'}

    y = []
    n = len(G.nodes)  # 总人数
    for i in range(n):  # 所有人默认为易感染
        G.nodes[i]['state'] = 'S'
        edge_color = 'g'
        arrow_color = 'g'
    s = n - initial  # 易感染人数
    desc_dc = func(G)

    i_nodes = []
    # 选择前inttial个度中心性最高的节点设为感染源
    for i in range(initial):
        G.nodes[desc_dc[0][0]]['state'] = 'I'
        i_nodes.append(desc_dc[0][0])
        desc_dc.remove(desc_dc[0])
    y.append(((s, (len(i_nodes)), 0)))
    # 开始传播，直到所有人被传染

    r_nodes = nx.Graph()
    while len(i_nodes) != 0:
        print(s)
        # 当前轮被传染的人数
        i_temp = []
        # 当前恢复人数 gamma 概率
        for i in i_nodes:
            if random.random() < gamma:
                r_nodes.add_node(i)
                i_nodes.remove(i)
                G.nodes[i]['state'] = 'R'
        i_nodes_temp = nx.Graph()
        i_nodes_temp.add_nodes_from(i_nodes)

        for i in i_nodes_temp.nodes:

            # 按beta概率传染I节点的邻居节点
            for node in G.neighbors(i):
                r = random.random()
                edge_color = 'r'
                if r < beta and G.nodes[node]['state'] == 'S':
                    G.nodes[node]['state'] = 'I'
                    edge_color = 'r'
                    arrow_color = 'r'
                    i_temp.append(node)
        for t in i_temp:
            if t not in i_nodes:
                i_nodes.append(t)
        s = n - len(i_nodes) - len(r_nodes.nodes)

        i = len(i_nodes)
        r = len(r_nodes.nodes)
        y.append((s, i, r))
        states = nx.get_node_attributes(G, 'state')  ############ 获得节点的属性
        color = [colors[states[i]] for i in range(n)]
        nx.draw(G, ps, node_color=color, with_labels=True, node_size=50)
        nx.draw_networkx_edges(er, ps,  width=1, arrows=True, arrowstyle='->')
        plt.show()
    return np.array(y)
#选择度中心性最高的5个点作为感染源
result = spread(er,0.3,5,centrality,0.1)
print(result)
plt.plot(result[:,0], 'g', label='Susceptibles')
plt.plot(result[:,1], 'r', label='Infectious')
plt.plot(result[:,2], 'b', label='Recovereds')
plt.legend(loc='right')
plt.xlabel('time')
plt.ylabel('number of people')

Answer 1

以下答案由GPT-3.5大模型与博主波罗歌共同编写：
要导入一个真实的社交网络到sir模型中，可以通过网络数据集或者API调用的方式获取网络数据，然后将数据转换为图形格式存储，最后可以使用networkx库进行处理和分析。

以下是一个示例代码，以导入Facebook网络为例：

1.下载数据集

在以下网址下载Facebook数据集：https://snap.stanford.edu/data/ego-Facebook.html

2.转换数据格式

Facebook数据集是文本格式，需要将其转换为适合networkx库处理的图形格式。

可以使用以下代码将数据转换为边列表格式：

edge_list = []
with open('facebook_combined.txt') as f:
    for line in f:
        edge = tuple(map(int, line.strip().split()))
        edge_list.append(edge)

其中，'facebook_combined.txt'为下载下来的文件名称。

3.生成图形对象

可以使用以下代码将边列表转换为networkx图形对象：

import networkx as nx

G = nx.Graph()
G.add_edges_from(edge_list)

这样就生成了一个包含了Facebook网络所有节点和边的图形对象。

4.将图形对象传入sir模型中

在原来的代码中，需要将生成的网络对象er替换为Facebook网络图形对象G，即：

#er = nx.random_graphs.watts_strogatz_graph(N,k,p)
G = nx.Graph()
G.add_edges_from(edge_list)
for i in range(N):
    G.nodes[i]['state'] = 'S'
    edge_color = 'g'

然后就可以使用原来的代码进行模拟。

完整代码如下：

import networkx as nx
import matplotlib.pyplot as plt
import random
import numpy as np

# 下载Facebook数据集后，将数据转换为边列表
edge_list = []
with open('facebook_combined.txt') as f:
    for line in f:
        edge = tuple(map(int, line.strip().split()))
        edge_list.append(edge)

# 生成图形对象
G = nx.Graph()
G.add_edges_from(edge_list)

N = len(G.nodes)
p = 0.25
k = 4

for i in range(N):
    G.nodes[i]['state'] = 'S'
    edge_color = 'g'

gama = 0.5
beta = 0.1

# 布局
ps= nx.spring_layout(G)

colors = {"R": 'b', "I": 'r', "S": 'g'}

states= nx.get_node_attributes(G, 'state')
color=[colors[states[i]] for i in range(N)]

nx.draw_networkx_nodes(G,ps,node_color=color,node_size=50)
nx.draw_networkx_edges(G,ps,width=1,arrows=True,arrowstyle='->')
plt.show()

def centrality(G):
    #计算度中心性,降序
    dc = nx.algorithms.centrality.degree_centrality(G)
    return    sorted(dc.items(), key=lambda x: x[1],reverse = True)

def betweenness(G):
    #计算介数中心性,降序
    dc = nx.betweenness_centrality(G)
    return sorted(dc.items(), key=lambda x: x[1],reverse = True)

def closeness(G):
    #计算接近中心性,降序
    dc = nx.closeness_centrality(G)
    return sorted(dc.items(), key=lambda x: x[1],reverse = True)

def spread(G, beta, initial, func, gamma=0):
    colors = {"R": 'b', "I": 'r', "S": 'g'}

    y = []
    n = len(G.nodes)  # 总数
    for i in range(n):
        G.nodes[i]['state'] = 'S'
        edge_color = 'g'
    s = n - initial
    desc_dc = func(G)

    i_nodes = []
    # 选择前inttial个度中心性最高的节点设为感染源
    for i in range(initial):
        G.nodes[desc_dc[i][0]]['state'] = 'I'
        i_nodes.append(desc_dc[i][0])
        
    y.append(((s, (len(i_nodes)), 0)))
    # 开始传播，直到所有人被传染

    r_nodes = nx.Graph()
    while len(i_nodes) != 0:
        # 当前轮被传染的人数
        i_temp = []
        # 当前恢复人数 gamma 概率
        for i in i_nodes:
            if random.random() < gamma:
                r_nodes.add_node(i)
                i_nodes.remove(i)
                G.nodes[i]['state'] = 'R'
        i_nodes_temp = nx.Graph()
        i_nodes_temp.add_nodes_from(i_nodes)

        for i in i_nodes_temp.nodes:

            # 按beta概率传染I节点的邻居节点
            for node in G.neighbors(i):
                r = random.random()
                if r < beta and G.nodes[node]['state'] == 'S':
                    G.nodes[node]['state'] = 'I'
                    i_temp.append(node)
        
        for t in i_temp:
            if t not in i_nodes:
                i_nodes.append(t)
        s = n - len(i_nodes) - len(r_nodes.nodes)

        i = len(i_nodes)
        r = len(r_nodes.nodes)
        y.append((s, i, r))
        states = nx.get_node_attributes(G, 'state')
        color = [colors[states[i]] for i in range(n)]
        nx.draw_networkx_nodes(G,ps,node_color=color,node_size=50)
        nx.draw_networkx_edges(G,ps,width=1,arrows=True,arrowstyle='->')
        plt.show()
        
    return np.array(y)

# 选择度中心性最高的5个点作为感染源
result = spread(G,0.3,5,centrality,0.1)
print(result)

plt.plot(result[:,0], 'g', label='Susceptibles')
plt.plot(result[:,1], 'r', label='Infectious')
plt.plot(result[:,2], 'b', label='Recovereds')
plt.legend(loc='right')
plt.xlabel('time')
plt.ylabel('number of people')
plt.show()

注意，在处理大型真实社交网络时，可能需要使用分布式计算框架，在集群上进行计算，避免计算时间过长导致的长时间等待。
如果我的回答解决了您的问题，请采纳！