绘制网络图基本流程：

1. 导入networkx，matplotlib包
2. 建立网络
3. 绘制网络 nx.draw()
4. 建立布局 pos = nx.spring_layout美化作用

最基本画图程序import import networkx as nx             #导入networkx包
import matplotlib.pyplot as plt
G = nx.random_graphs.barabasi_albert_graph(100,1)   #生成一个BA无标度网络G
nx.draw(G)                               #绘制网络G
plt.savefig("ba.png")           #输出方式1: 将图像存为一个png格式的图片文件
plt.show()                            #输出方式2: 在窗口中显示这幅图像

networkx 提供画图的函数有：

1. draw（G，[pos,ax,hold]）
2. draw_networkx(G，[pos,with_labels])
3. draw_networkx_nodes(G,pos,[nodelist])绘制网络G的节点图
4. draw_networkx_edges(G,pos[edgelist])绘制网络G的边图
5. draw_networkx_edge_labels(G, pos[, ...]) 绘制网络G的边图，边有label
   ---有layout 布局画图函数的分界线---
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 画图参数：

• node_size: 指定节点的尺寸大小(默认是300，单位未知，就是上图中那么大的点)
• node_color: 指定节点的颜色 (默认是红色，可以用字符串简单标识颜色，例如'r'为红色，'b'为绿色等，具体可查看手册)，用“数据字典”赋值的时候必须对字典取值（.values()）后再赋值
• node_shape: 节点的形状（默认是圆形，用字符串'o'标识，具体可查看手册）
• alpha: 透明度 (默认是1.0，不透明，0为完全透明)
• width: 边的宽度 (默认为1.0)
• edge_color: 边的颜色(默认为黑色)
• style: 边的样式(默认为实现，可选： solid|dashed|dotted,dashdot)
• with_labels: 节点是否带标签（默认为True）
• font_size: 节点标签字体大小 (默认为12)
• font_color: 节点标签字体颜色（默认为黑色）
• pos(dictionary, optional): A dictionary with nodes as keys and positions as values.If not specified a spring layout positioning will be computed.

布局指定节点排列形式

• circular_layout：节点在一个圆环上均匀分布
• random_layout：节点随机分布
• shell_layout：节点在同心圆上分布
• spring_layout： 用Fruchterman-Reingold算法排列节点
• spectral_layout：根据图的拉普拉斯特征向量排列节
  布局也可用pos参数指定，例如，nx.draw(G, pos = spring_layout(G)) 这样指定了networkx上以中心放射状分布.

其中：spring_layout需要进行计算，拥有以下参数：

pos = nx.spring_layout(G,iterations=200)

• k controls the distance between the nodes and varies between 0 and 1
• iterations is the number of times simulated annealing is run
• default k =0.1 and iterations=50

力引导布局（Force-directed Layout）
力引导布局最早由Peter Eades在1984年的“启发式画图算法”一文中提出，目的是减少布局中边的交叉，尽量保持边的长度一致。此方法借用弹簧模型模拟布局过程：用弹簧模拟两个点之间的关系，受到弹力的作用后，过近的点会被弹开而过远的点被拉近；通过不断的迭代，整个布局达到动态平衡，趋于稳定。其后，“力引导”的概念被提出，演化成力引导布局算法FR（Fruchterman-Reingold算法）——丰富两点之间的物理模型，加入点之间的静电力，通过计算系统的总能量并使得能量最小化，从而达到布局的目的。这种改进的能量模型，可看成弹簧模型的一般化。
参考：https://blog.csdn.net/gdp12315_gu/article/details/48351589

Random Geometric Graph

画随机几何图，找出中心节点并按路径长度染色

import networkx as nx
import matplotlib.pyplot as pltG=nx.random_geometric_graph(200,0.125)
# position is stored as node attribute data for random_geometric_graph
#`random_geometric_graph`(*n*, *radius*, *dim=2*, *pos=None*)[]
#如果两点之间的距离小于redius则相连，建立边
pos=nx.get_node_attributes(G,'pos')# find node near center (0.5,0.5)
dmin=1
ncenter=0
for n in pos:x,y=pos[n]d=(x-0.5)**2+(y-0.5)**2if d<dmin:ncenter=ndmin=d# color by path length from node near center
p=nx.single_source_shortest_path_length(G,ncenter)plt.figure(figsize=(8,8))
nx.draw_networkx_edges(G,pos,nodelist=[ncenter],alpha=0.4)
nx.draw_networkx_nodes(G,pos,nodelist=p.keys(),node_size=80,node_color=p.values(),cmap=plt.cm.Reds_r)plt.xlim(-0.05,1.05)
plt.ylim(-0.05,1.05)
plt.axis('off')
plt.savefig('random_geometric_graph.png')
plt.show()