python 实现sir传染病模型，怎么显示传染方向？

Question

请问怎么使用python调整有向图的箭头方向？我的想法是增加一个节点的状态（感染性），如果他有感染性，就有向外的红色箭头，连线也为红色；没有感染性且身边节点都没有感染性，则箭头和连线均为默认方向且为黑色。

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

• 你可以参考下这个问题的回答, 看看是否对你有帮助, 链接: https://ask.csdn.net/questions/7744332
• 你也可以参考下这篇文章：【python数据分析】用python进行数据探索1（含各种数据基础分析方法以及直方图、条形图、折线图等基本画法）
• 除此之外, 这篇博客: 百度架构师手把手带你零基础实践深度学习 学习笔记（一）中的 基于Python编写的模型和基于飞桨编写的模型在存在哪些异同？如程序结构，编写难易度，模型的预测效果，训练的耗时等等。 部分也许能够解决你的问题, 你可以仔细阅读以下内容或跳转源博客中阅读:
  

• 使用飞桨框架代码量少，难度低，预测效果更好，耗时较长

• 您还可以看一下 莫明作老师的树莓派基础学习&树莓派项目实战演示&Python语言课程中的 树莓派安装系统后自动连网（不需网线 不需路由器）小节, 巩固相关知识点