Suporte upstream incluído

Arquivos de suporte são incluídos em caminhos relativos à skill. Veja UPSTREAM-NOTICE.md para suas fontes fixadas, licenças, hashes e alterações de importação.

NetworkX

Visão Geral

NetworkX é um pacote Python para criar, manipular e analisar redes e grafos complexos. Use esta skill 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.

Quando Usar Esta Skill

Invoque esta skill quando as tarefas envolverem:

• Criação de grafos: Construir estruturas de rede a partir de dados, adicionando nós e arestas com atributos
• Análise de grafos: Calcular 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, livres de escala, mundo pequeno) para testes ou simulação
• Entrada/Saída 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, calcular 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 um guia completo sobre como criar, modificar, examinar e gerenciar estruturas de grafos, incluindo o trabalho com atributos e subgrafos.

2. Algoritmos de Grafos

NetworkX fornece algoritmos extensos para análise de redes:

Caminhos Mais Curtos:

# Find shortest path
path = nx.shortest_path(G, source=1, target=5)
length = nx.shortest_path_length(G, source=1, target=5, weight='weight')

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 Comunidades:

from networkx.algorithms import community

# Detect communities
communities = community.greedy_modularity_communities(G)

Conectividade:

# Check connectivity
is_connected = nx.is_connected(G)

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

Referência: Veja references/algorithms.md para documentação detalhada sobre todos os algoritmos disponíveis, incluindo caminhos mais curtos, medidas de centralidade, agrupamentos, detecção de comunidades, fluxos, correspondências, algoritmos de árvores e travessia de grafos.

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:

# Erdős-Rényi random graph
G = nx.erdos_renyi_graph(n=100, p=0.1, seed=42)

# Barabási-Albert scale-free network
G = nx.barabasi_albert_graph(n=100, m=3, seed=42)

# Watts-Strogatz small-world network
G = nx.watts_strogatz_graph(n=100, k=6, p=0.1, seed=42)

Redes Estruturadas:

# Grid graph
G = nx.grid_2d_graph(m=5, n=7)

# Random tree
G = nx.random_tree(n=100, seed=42)

Referência: Veja references/generators.md para uma cobertura abrangente de todos os geradores de grafos, incluindo modelos de redes clássicos, aleatórios, de grade, bipartidos e especializados, com parâmetros detalhados e casos de uso.

4. Leitura e Escrita de Grafos

NetworkX suporta inúmeros formatos de arquivo e fontes de dados:

Formatos de Arquivo:

# Lista de arestas
G = nx.read_edgelist('graph.edgelist')
nx.write_edgelist(G, 'graph.edgelist')

# GraphML (preserva atributos)

…