networkx · 分析关系网络中的关键节点和路径

作者提供的示例，实际效果取决于你的输入和使用工具。

输入

编辑虚构JSON：{"directed":true,"edges":[["A","B"],["A","C"],["B","D"],["C","D"],["D","E"]]}；所有边等权；求A到E的最短路径。

输出

编辑示例 · 未运行

import networkx as nx

edges = [("A", "B"), ("A", "C"), ("B", "D"),
         ("C", "D"), ("D", "E")]
graph = nx.DiGraph(edges)
paths = list(nx.all_shortest_paths(graph, source="A", target="E"))
print(sorted(paths))
print(nx.shortest_path_length(graph, source="A", target="E"))

按给定边可手工核对：A→B→D→E与A→C→D→E都经过3条边；没有E→A的反向路径依据。

使用NetworkX建立节点与边，计算路径、中心性、社区和网络结构。

具体任务

从关系表找路径与连接结构：根据节点、边、方向和权重说明建立图，输出路径或结构指标以及适用解释。

检查图数据是否适合所选算法：判断是否有向、是否多重边、是否带权，避免用不匹配算法解释结果。

必需材料

CSV或JSON格式的节点/边数据及字段含义

图是否有向、允许重复边及权重代表什么

要计算的问题与起点终点或目标指标

可选材料

孤立节点列表

预期的小样本结果用于核对

使用门槛

具备Python基础并能解释关系含义；固定入口面向NetworkX 3.x，其中所述3.6环境要求Python 3.11+。

这个 Skill 额外提供的方法

先选Graph、DiGraph或多重图，再选择算法，并提示旧版nx.info、write_gpickle等API已移除，减少版本和模型选择误用。

编辑示例（未运行）

找出两条同长的依赖路径

任务：从有向边计算A到E的所有最短路径，不把边方向忽略。

输入：
编辑虚构JSON：{"directed":true,"edges":[["A","B"],["A","C"],["B","D"],["C","D"],["D","E"]]}；所有边等权；求A到E的最短路径。

结果片段：
```python
import networkx as nx

edges = [("A", "B"), ("A", "C"), ("B", "D"),
         ("C", "D"), ("D", "E")]
graph = nx.DiGraph(edges)
paths = list(nx.all_shortest_paths(graph, source="A", target="E"))
print(sorted(paths))
print(nx.shortest_path_length(graph, source="A", target="E"))
```

按给定边可手工核对：A→B→D→E与A→C→D→E都经过3条边；没有E→A的反向路径依据。

代码由编辑撰写，未执行。两条路径和长度来自直接检查示例边集，不是伪造的运行日志；仅使用显式边列表，不加载pickle。

首次任务

请使用已安装的 networkx Skill。
请用我提供的CSV或JSON关系数据生成一段NetworkX分析代码，先解释图类型与算法选择；不要加载pickle或其他不可信序列化文件。
请使用我的材料：
- CSV或JSON格式的节点/边数据及字段含义：{{CSV或JSON格式的节点/边数据及字段含义}}
- 图是否有向、允许重复边及权重代表什么：{{图是否有向、允许重复边及权重代表什么}}
- 要计算的问题与起点终点或目标指标：{{要计算的问题与起点终点或目标指标}}
先指出缺失信息，不编造。验收要求：
1. 图类型、节点数、边数和方向与输入一致，孤立节点不会无意丢失。
2. 至少一条路径能逐边回查输入；无路径与算法报错明确区分。
3. 固定环境版本，权重单位和算法假设可解释，未反序列化不可信文件。

验收方法

图类型、节点数、边数和方向与输入一致，孤立节点不会无意丢失。

至少一条路径能逐边回查输入；无路径与算法报错明确区分。

固定环境版本，权重单位和算法假设可解释，未反序列化不可信文件。

依赖与准备

完整networkx目录与graph-basics、algorithms、io参考；NetworkX 3.x及其兼容Python环境，绘图或DataFrame输入另需matplotlib/pandas等实际用到的包。仓库许可MIT与入口自述BSD应分别保留。参考中pickle读取有代码执行风险，不接收未知序列化文件。

使用边界

最短路径和中心性由图定义决定，不能自动推断因果或真实影响力。

参考文件包含实际pickle.load示例；只可反序列化已确认可信来源的图文件，首次优先CSV/JSON。

入口含arXiv HTTP回退，应优先HTTPS且不提交私人图数据；大型图需先评估内存和算法成本。

本页例子由编辑撰写，未运行；不是平台兼容认证或效果测试。

排错

结果把单向关系当成双向：检查是否误用Graph，应依照数据语义选择DiGraph，不凭图形外观判断方向。

旧教程里的读写API不存在：按入口的3.x替代方式使用CSV/JSON/GraphML，核对当前锁定版本而非降级到未知环境。

固定来源

https://github.com/K-Dense-AI/scientific-agent-skills/blob/65d6e786832e2c52832713117bbbf5096b56f77f/skills/networkx/SKILL.md

许可

MIT（仓库）；入口声明：3-clause BSD license。许可原文：https://github.com/K-Dense-AI/scientific-agent-skills/blob/65d6e786832e2c52832713117bbbf5096b56f77f/LICENSE.md

仓库热度

K-Dense-AI/scientific-agent-skills 仓库 47,152 Stars（2026-09-30 核验）；这是父仓库指标，不是单个 Skill 的评分。

先看看示例

输入

输出

方法说明