技能介绍

要解决什么问题

关系数据往往天然是「点—边—属性」：论文引用、社交关注、路网节点、蛋白互作、知识图谱实体链接。手写邻接表很快会在最短路径、社区划分、中心性、多格式交换和可视化上重复踩坑。NetworkX 是 Python 生态里事实上的图分析库；本 skill 面向 NetworkX 3.x（稳定版 3.6，Python ≥ 3.11），并明确弃用 3.0 前的旧 API（如 nx.info、nx.write_gpickle）及 3.4 时代的 nx.random_tree，文档里统一给出当前替代写法。

技能如何帮你干活

调用本 skill 时，可按任务类型走典型流程：

创建或加载图：用 Graph / DiGraph / MultiGraph / MultiDiGraph 从数据建网，或为节点、边挂属性。
检查结构：节点数、边数、连通性、子图等基础结构检查。
分析：最短路径（如 Dijkstra）、中心性、社区检测、聚类、PageRank、最小生成树、最大流等标准算法。
合成网络：Erdős–Rényi、Barabási–Albert、小世界等生成器，用于测试或模拟。
I/O 与可视化：边列表、GraphML、JSON、CSV、邻接矩阵及 Pandas 集成；用 matplotlib 或交互式库做布局与出版级图。

技能内附分主题参考（graph-basics、algorithms、generators、io、visualization），便于在对话里按需展开参数与用例，而不是只给零散函数名。

适用边界与注意点

精度：含浮点权重的图，算法结果在最小/最大意义上都是近似值。
规模：整图常驻内存；大图应优先考虑稀疏表示、子图、压缩格式，或对中心性等使用近似参数；NetworkX 3.x 可通过 backend= 或 nx.config.backend_priority 接入 nx-cugraph、nx-parallel、graphblas-algorithms 等后端，算法调用方式不变。
可复现：随机图生成与力导向布局应固定随机种子。
节点标识：节点可为任意可哈希对象；删节点会连带删除关联边。