NetworkX

Visão Geral

NetworkX é um pacote Python para criar, manipular e analisar redes e grafos complexos. Use esta habilidade ao trabalhar com estruturas de dados de rede ou grafo, incluindo redes sociais, redes biológicas, sistemas de transporte, redes de citação, grafos de conhecimento ou qualquer sistema que envolva relacionamentos entre entidades.

Esta habilidade tem como alvo NetworkX 3.7 testado (Python >=3.12, excluindo 3.14.1). Várias APIs pré-3.0 (nx.info, nx.write_gpickle, nx.read_shp) e a nx.random_tree da era 3.4 não existem mais — substituições atuais são usadas em toda esta habilidade.

Fontes de revisão, exemplos executados, limites de dependência opcional e notas de reprodutibilidade estão em references/review.md. Snippets de referência são padrões de API: forneça o tipo de grafo declarado e os arquivos de entrada; eles não são um script sequencial.

Quando Usar Esta Habilidade

Invoque esta habilidade quando as tarefas envolverem:

• Criação de grafos: Construir estruturas de rede a partir de dados, adicionando nós e arestas com atributos
• Análise de grafos: Computar medidas de centralidade, encontrar caminhos mais curtos, detectar comunidades, medir agrupamentos
• Algoritmos de grafos: Executar algoritmos padrão como Dijkstra, PageRank, árvores geradoras mínimas, fluxo máximo
• Geração de redes: Criar redes sintéticas (modelos aleatórios, sem escala, mundo pequeno) para testes ou simulação
• I/O de grafos: Ler ou escrever em vários formatos (listas de arestas, GraphML, JSON, CSV, matrizes de adjacência)
• Visualização: Desenhar e personalizar visualizações de rede com matplotlib ou bibliotecas interativas
• Comparação de redes: Verificar isomorfismo, computar métricas de grafo, analisar propriedades estruturais

Capacidades Principais

1. Criação e Manipulação de Grafos

NetworkX suporta quatro tipos principais de grafos:

• Graph: Grafos não direcionados com arestas únicas
• DiGraph: Grafos direcionados com conexões unidirecionais
• MultiGraph: Grafos não direcionados permitindo múltiplas arestas entre nós
• MultiDiGraph: Grafos direcionados com múltiplas arestas

Crie grafos por:

import networkx as nx

# Create empty graph
G = nx.Graph()

# Add nodes (can be any hashable type)
G.add_node(1)
G.add_nodes_from([2, 3, 4])
G.add_node("protein_A", type='enzyme', weight=1.5)

# Add edges
G.add_edge(1, 2)
G.add_edges_from([(1, 3), (2, 4)])
G.add_edge(1, 4, weight=0.8, relation='interacts')

Referência: Veja references/graph-basics.md para orientação abrangente sobre como criar, modificar, examinar e gerenciar estruturas de grafos, incluindo trabalhar com atributos e subgrafos.

2. Algoritmos de Grafos

NetworkX fornece algoritmos extensos para análise de redes:

Caminhos Mais Curtos:

Para caminhos ponderados e betweenness, os pesos representam distâncias/custos: valores maiores tornam uma rota menos favorável. Similaridade, correlação ou força de interação precisam de uma conversão explícita cientificamente justificada antes de serem usadas como distância. Valide o atributo escolhido em cada aresta e use distâncias estritamente positivas para betweenness ponderado.

# Same distance model for route and length
G = nx.Graph()
G.add_weighted_edges_from([(1, 2, 1), (2, 5, 1), (1, 5, 5)], weight='distance')
path = nx.shortest_path(G, source=1, target=5, weight='distance')
length = nx.shortest_path_length(G, source=1, target=5, weight='distance')
assert path == [1, 2, 5] and length == 2

Medidas de Centralidade:

# Degree centrality
degree_cent = nx.degree_centrality(G)

# Betweenness centrality
betweenness = nx.betweenness_centrality(G)

# PageRank
pagerank = nx.pagerank(G)

Detecção de Comunidade:

from networkx.algorithms import community

# Specify weight=None for unweighted topology
communities = community.greedy_modularity_communities(G, weight=None)

Conectividade:

# Check connectivity
is_connected = nx.is_connected(G)

# Find connected components
components = list(nx.connected_components(G))

Referência: Veja references/algorithms.md para padrões de API com exemplos para algoritmos comuns, incluindo caminhos mais curtos, medidas de centralidade, agrupamento, detecção de comunidade, fluxos, correspondência, algoritmos de árvore e travessia de grafo.

3. Geradores de Grafos

Crie redes sintéticas para testes, simulação ou modelagem:

Grafos Clássicos:

# Complete graph
G = nx.complete_graph(n=10)

# Cycle graph
G = nx.cycle_graph(n=20)

# Known graphs
G = nx.karate_club_graph()
G = nx.petersen_graph()

Redes Aleatórias:

…