繪製基本網路圖

用matplotlib繪製網路圖
基本流程：
1. 匯入networkx，matplotlib包
2. 建立網路
3. 繪製網路 nx.draw()
4. 建立佈局 pos = nx.spring_layout美化作用
最基本畫圖程式

import import networkx as nx             #匯入networkx包
import matplotlib.pyplot as plt 
G = nx.random_graphs.barabasi_albert_graph(100,1)   #生成一個BA無標度網路G
nx.draw(G)                               #繪製網路G
 

plt.savefig("ba.png")           #輸出方式1: 將影象存為一個png格式的圖片檔案
plt.show()                            #輸出方式2: 在視窗中顯示這幅影象 

networkx 提供畫圖的函式有：

1. draw（G，[pos,ax,hold]）
2. draw_networkx(G，[pos,with_labels])
3. draw_networkx_nodes(G,pos,[nodelist]) 繪製網路G的節點圖
4. draw_networkx_edges(G,pos[edgelist]) 繪製網路G的邊圖
5. draw_networkx_edge_labels
   (G, pos[, ...]) 繪製網路G的邊圖，邊有label
   ---有layout 佈局畫圖函式的分界線---
6. draw_circular(G, **kwargs) Draw the graph G with a circular layout.
7. draw_random(G, **kwargs) Draw the graph G with a random layout.
8. draw_spectral(G, **kwargs) Draw the graph G with a spectral layout.
9. draw_spring(G, **kwargs) Draw the graph G with a spring layout.
10. draw_shell(G, **kwargs) Draw networkx graph with shell layout.
11. draw_graphviz(G[, prog]) Draw networkx graph with graphviz layout.

networkx 畫圖引數：
- node_size: 指定節點的尺寸大小(預設是300，單位未知，就是上圖中那麼大的點)
- node_color: 指定節點的顏色 (預設是紅色，可以用字串簡單標識顏色，例如'r'為紅色，'b'為綠色等，具體可檢視手冊)，用“資料字典”賦值的時候必須對字典取值（.values()）後再賦值
- node_shape: 節點的形狀（預設是圓形，用字串'o'標識，具體可檢視手冊）
- alpha: 透明度 (預設是1.0，不透明，0為完全透明)
- width: 邊的寬度 (預設為1.0)
- edge_color: 邊的顏色(預設為黑色)
- style: 邊的樣式(預設為實現，可選： solid|dashed|dotted,dashdot)
- with_labels: 節點是否帶標籤（預設為True）
- font_size: 節點標籤字型大小 (預設為12)
- font_color: 節點標籤字型顏色（預設為黑色）
e.g. nx.draw(G,node_size = 30, with_label = False)
繪製節點的尺寸為30，不帶標籤的網路圖。

佈局指定節點排列形式

pos = nx.spring_layout

建立佈局，對圖進行佈局美化，networkx 提供的佈局方式有：
- circular_layout：節點在一個圓環上均勻分佈
- random_layout：節點隨機分佈
- shell_layout：節點在同心圓上分佈
- spring_layout： 用Fruchterman-Reingold演算法排列節點（這個演算法我不瞭解，樣子類似多中心放射狀）
- spectral_layout：根據圖的拉普拉斯特徵向量排列節
佈局也可用pos引數指定，例如，nx.draw(G, pos = spring_layout(G)) 這樣指定了networkx上以中心放射狀分佈.

繪製劃分後的社群

先看一段程式碼，程式碼源自site

partition = community.best_partition(User)
size = float(len(set(partition.values())))
pos = nx.spring_layout(G)
count = 0.

for com in set(partition.values()) :
    count = count + 1.
    list_nodes = [nodes for nodes in partition.keys()
                                if partition[nodes] == com]                 
    nx.draw_networkx_nodes(G, pos, list_nodes, node_size = 50,
                                node_color = str(count / size))

nx.draw_networkx_edges(User,pos,with_labels = True, alpha=0.5 )
plt.show()

communit.best_partition 是社區劃分方法，演算法是根據Vincent D.Blondel 等人於2008提出，是基於modularity optimization的heuristic方法.
partition的結果存在字典資料型別：
{'1': 0, '3': 1, '2': 0, '5': 1, '4': 0, '6': 0}
單引號裡的資料是key，也就是網路中節點編號。
冒號後面的數值，表示網路中節點的編號屬於哪個社群。也就是社群標號。如'6': 0表示6節點屬於0社群

 list_nodes = [nodes for nodes in partition.keys()
                                if partition[nodes] == com] 

每次迴圈list_nodes結果是社群i對應的使用者編號。
如第一次迴圈結果是com = 0, list_nodes= ['1','2','4','6']
第二次迴圈的結果是com = 1, list_nodes = ['3','6']
這樣每次迴圈，畫出一個社群的所有節點：

 nx.draw_networkx_nodes(G, pos, list_nodes, node_size = 50,
                                node_color = str(count / size))

迴圈結束後通過顏色來標識不同社群

http://segmentfault.com/a/1190000000527216