图表选择可视化指南：网络图：看结构与关系（深度版）

展示节点与边构成的关系网络，揭示中心性、社群、路径等结构特征。

分类：🕸 结构图　适用：社交/路网/依赖关系、社群发现、关键节点识别

一、这个图适合谁（适用场景）

社交/路网/依赖关系
社群发现
关键节点识别

二、图表结构要素

节点=实体
边=关系（可加权/有向）
布局算法
颜色=社群/属性

三、可视化的底层逻辑

网络图用"空间位置+连线"编码图结构，把抽象的"谁连谁、谁关键、怎么聚"变成可直观审视的图形。节点大小、边粗细、颜色这些都是预注意属性——读者无需刻意解读就能瞬间抓住重点（最大的节点、最粗的边、同色的簇）。但网络图的核心前提是"先正确建图"：有向/无向、加权/二值一旦建错（如把关注关系当无向），"谁是关键节点"的结论会直接反转。布局算法（力导向）只是把结构"摊开"，真正要传达的是拓扑特征（中心性、社群、路径），所以图后必须配文字解释——图不是装饰，而是分析结论的可视化载体。

四、视觉编码与感知推导

力导向布局：节点间斥力（库仑）+ 边引力（胡克），最小化能量

$E=\sum_{i<j}\frac{k}{d_{ij}^2}-\sum_{(i,j)\in E}\frac{1}{d_{ij}}$

迭代至平衡，使连接紧密的节点自然聚拢——结构"自显"于布局中。

视觉编码映射（避免面积失真）：节点度 $k_i$ 编码为半径时应取 $r_i\propto\sqrt{k_i}$ ，使面积 $\pi r^2\propto k_i$ 而非半径∝ $k_i$ （后者会让面积∝ $k_i^2$ ，夸大高度数节点）。边权 $w_{ij}$ 映射为线宽 $w'_{ij}\propto w_{ij}$ （线性，保证视觉宽度比=权重比）。

中心性（关键节点）：度中心 $C_D(i)=k_i$ 、介数 $C_B(i)=\sum\frac{\sigma_{st}(i)}{\sigma_{st}}$ 、PageRank $r_i$ 从不同角度定义"关键"，应据问题选其一高亮标注，而非全图同色无重点。

毛球控制：边数 $|E|$ 大时图成不可读"毛球"。可设阈值只画 $w_{ij}>w_{\text{th}}$ 的强边，或对社群做折叠（先 Louvain 聚成超级节点）。可读性约束建议 $|E|\lesssim 3|V|$ 。

五、怎么画（步骤）

选布局：力导向最常用，大图用多层级。
节点大小编码度/重要性，边粗细编码权重。
用颜色区分类别或社区。
标注关键节点（PageRank/介数最高）。
配文字解释结构含义，图不是装饰。

六、何时用 / 何时不用 / 常见丑图

何时用：『谁和谁连、谁关键、怎么聚』。
何时不用：纯数值对比 → 柱状/雷达。
常见丑图：节点全同色无重点、边太多成毛球。

七、常见坑

边过多成毛球
不标关键节点
只画不解释

八、画图自检清单

布局清晰
节点/边编码合理
关键节点突出
有结构解释

九、配套资源与搭配

网络/图结构问题怎么选
Gephi 工具入门手册
论文图表规范与排版

本指南由 MCM520 资料站自动生成（深度版），配套论文图表规范与可视化模板可在资源页下载。

十、实战案例——Python 绘制 + 图效果

网络图展示节点与边的关系结构，适合分析社交网络、交通网络、物流配送。

案例场景：一个中心仓库向 5 个区域配送物资，边上的粗细表示配送频次。
从网络图可以看出：中心仓是核心节点（中心性最高），A 区与 E 区也有直接配送关系。

完整代码（Python + matplotlib）

import networkx as nx
import matplotlib.pyplot as plt

G = nx.Graph()
nodes = ['中心仓', 'A区', 'B区', 'C区', 'D区', 'E区']
G.add_nodes_from(nodes)
edges = [('中心仓', 'A区', 3), ('中心仓', 'B区', 2), ('中心仓', 'C区', 4),
         ('中心仓', 'D区', 1), ('中心仓', 'E区', 2), ('A区', 'B区', 2),
         ('B区', 'C区', 1), ('C区', 'D区', 3), ('D区', 'E区', 2), ('A区', 'E区', 1)]
G.add_weighted_edges_from(edges)

pos = nx.circular_layout(G)
plt.figure(figsize=(7, 5))
weights = [G[u][v]['weight'] for u, v in G.edges()]
nx.draw_networkx_edges(G, pos, width=[w * 1.5 for w in weights], alpha=0.5,
                       edge_color='#0ea5e9')
nx.draw_networkx_nodes(G, pos, node_size=600, node_color=['#dc2626', '#2563eb',
    '#16a34a', '#f59e0b', '#7c3aed', '#0ea5e9'])
nx.draw_networkx_labels(G, pos, font_size=10, font_color='white', font_weight='bold')
plt.title('物流配送关系网络', fontsize=14, fontweight='bold')
plt.axis('off')
plt.tight_layout()
plt.show()

运行效果图

图X6 物流配送关系网络图

本指南由 MCM520 资料站生成，配套 Python 代码可直接运行。