3、Python图库入门：NetworkX安装与基础使用、创建图、添加节点与边
说实话，做任务依赖图可视化，选对工具就成功了一半。我这些年试过不少图库，Graphviz 太死板，PyGraphviz 又太底层。直到碰上 NetworkX，才觉得「嗯，就是它了」。它轻巧、灵活，而且跟 Python 的数据生态无缝衔接。今天我们就从零开始，把它玩熟。
3.1 安装 NetworkX
安装没什么玄学，一行命令搞定。我个人习惯在虚拟环境里装，避免污染全局。
pip install networkx如果你用的是 Anaconda，也可以：
conda install networkx装完之后，验证一下：
import networkx as nx
print(nx.__version__)看到版本号就说明成了。我遇到过有人装完报错，多半是 pip 版本太旧，先升级 pip 再装就好。
小提示： 建议同时安装 matplotlib，后面画图会用到。命令：
pip install matplotlib
3.2 创建图：三种基本类型
NetworkX 支持三种图结构，你得先搞清楚它们的区别。说白了，就是看边有没有方向、允不允许重复。
| 图类型 | 类名 | 边是否有方向 | 是否允许重边 | 适用场景 |
|---|---|---|---|---|
| 无向图 | Graph | 否 | 否 | 社交网络、道路网 |
| 有向图 | DiGraph | 是 | 否 | 任务依赖、流程控制 |
| 多重图 | MultiGraph / MultiDiGraph | 可选 | 是 | 多路传输、复杂关系 |
创建图非常简单：
import networkx as nx
# 无向图
G = nx.Graph()
# 有向图
DG = nx.DiGraph()
# 多重有向图
MDG = nx.MultiDiGraph()你想想看，任务依赖图天然就是有向的——任务 A 必须在任务 B 之前完成。所以后面我们主要用 DiGraph。
3.3 添加节点
节点可以理解成图中的「点」。在任务依赖图里，每个节点就是一个任务。
3.3.1 添加单个节点
G.add_node('task_1')节点名可以是字符串、数字，甚至元组。我习惯用字符串，可读性好。
3.3.2 批量添加节点
tasks = ['task_1', 'task_2', 'task_3', 'task_4']
G.add_nodes_from(tasks)也可以从列表、集合、甚至文件里读进来。我在项目中经常从 CSV 里读任务列表，一行一个节点。
3.3.3 带属性的节点
节点可以挂属性，比如任务耗时、负责人、状态等。这在实际项目中非常有用。
G.add_node('task_1', duration=5, owner='张三', status='done')
G.add_node('task_2', duration=3, owner='李四', status='pending')获取属性也很方便：
print(G.nodes['task_1']) # 输出：{'duration': 5, 'owner': '张三', 'status': 'done'}
核心要点： 节点属性是后续做故障定位的关键。比如你可以根据 status 字段快速标红失败的任务。
3.4 添加边
边就是节点之间的「连线」。在任务依赖图里，边表示依赖关系——从前置任务指向后置任务。
3.4.1 添加单条边
G.add_edge('task_1', 'task_2')这表示 task_1 完成后才能开始 task_2。
3.4.2 批量添加边
edges = [('task_1', 'task_2'), ('task_2', 'task_3'), ('task_3', 'task_4')]
G.add_edges_from(edges)3.4.3 带属性的边
边也可以挂属性，比如依赖类型、传输数据量等。
G.add_edge('task_1', 'task_2', weight=1.0, relation='finish-to-start')
注意： 添加边时，如果节点不存在，NetworkX 会自动创建节点。这虽然方便，但容易导致节点属性丢失。我曾经因为这个踩过坑——批量加边后，发现某些节点没有初始化属性，排查了半天。建议先加节点，再加边。
3.5 图的查看与基础操作
图建好了，怎么查看？几个常用方法：
# 查看节点数
print(G.number_of_nodes())
# 查看边数
print(G.number_of_edges())
# 列出所有节点
print(list(G.nodes()))
# 列出所有边
print(list(G.edges()))
# 查看某个节点的邻居
print(list(G.neighbors('task_1')))这些方法在调试时特别有用。我经常在加完一批边后，用 number_of_edges() 确认数量对不对。
3.6 知识体系总览
下面这张图帮你理清本章的核心脉络：
3.7 完整示例：构建一个小型任务依赖图
把上面学的串起来，写个完整的例子。假设我们有 4 个任务，依赖关系如下：
- task_1 完成后才能开始 task_2 和 task_3
- task_2 和 task_3 都完成后才能开始 task_4
import networkx as nx
# 1. 创建有向图
G = nx.DiGraph()
# 2. 添加节点（带属性）
G.add_node('task_1', duration=5, status='done')
G.add_node('task_2', duration=3, status='running')
G.add_node('task_3', duration=4, status='pending')
G.add_node('task_4', duration=2, status='pending')
# 3. 添加边（表示依赖关系）
G.add_edge('task_1', 'task_2')
G.add_edge('task_1', 'task_3')
G.add_edge('task_2', 'task_4')
G.add_edge('task_3', 'task_4')
# 4. 查看图信息
print(f"节点数：{G.number_of_nodes()}")
print(f"边数：{G.number_of_edges()}")
print(f"所有节点：{list(G.nodes())}")
print(f"所有边：{list(G.edges())}")
# 5. 查看 task_1 的后继任务
print(f"task_1 的后继：{list(G.successors('task_1'))}")
# 6. 查看 task_4 的前驱任务
print(f"task_4 的前驱：{list(G.predecessors('task_4'))}")输出结果：
节点数：4
边数：4
所有节点：['task_1', 'task_2', 'task_3', 'task_4']
所有边：[('task_1', 'task_2'), ('task_1', 'task_3'), ('task_2', 'task_4'), ('task_3', 'task_4')]
task_1 的后继：['task_2', 'task_3']
task_4 的前驱：['task_2', 'task_3']
关键点： 有向图里，
successors() 返回下游任务，predecessors() 返回上游任务。这在故障定位时特别有用——一个任务挂了，你可以快速找出所有受影响的后续任务。
3.8 避坑指南
最后分享几个我踩过的坑：
- 节点名类型混用： 别一会儿用字符串，一会儿用数字。我建议统一用字符串，避免类型转换的麻烦。
- 忘记初始化属性： 如果先加边让 NetworkX 自动创建节点，节点属性是空的。后面取属性时会报 KeyError。
- 有向图 vs 无向图： 任务依赖必须用 DiGraph。用 Graph 会导致依赖关系丢失方向，定位故障时根本找不到根因。
- 边重复添加： 默认图不允许重边，重复添加不会报错但也不会增加。如果你需要多条平行边，记得用 MultiDiGraph。