如何使用Python和NetworkX构建图数据库社交网络，分析中心度和社区关系？

本文共计822个文字，预计阅读时间需要4分钟。

NetworkX自身不是图数据库，它只处理内存中的图结构；若想使用图数据库（如Neo4j、Nebula、TigerGraph），需直接连接数据库进行操作。

从 Neo4j 导出边列表到 NetworkX

Neo4j 的 Cypher 查询结果是节点/关系流，不能直接喂给 nx.Graph()。你需要把它规整成 (source, target) 或 (source, target, weight) 的二维结构。

• 用 neo4j.Driver 执行查询，例如：MATCH (a)-[r:FRIEND]->(b) RETURN a.id AS source, b.id AS target, r.weight AS weight
• 结果用 pandas.DataFrame 接住，确保列名是 source、target（加权时还有 weight）
• 调用 nx.from_pandas_edgelist(df, 'source', 'target', edge_attr='weight') 构建图；注意：如果边是无向的，记得传 create_using=nx.Graph()，否则默认是 nx.DiGraph()
• 别忽略 ID 类型：若 Neo4j 返回的是字符串 ID（比如 "user_123"），而你的后续逻辑假设是 int，这里会静默失败或报 KeyError

nx.betweenness_centrality 计算慢？关掉 normalized 和 endpoints

对千级节点以上的图，默认参数会让 nx.betweenness_centrality 变成性能瓶颈。它内部要算所有点对最短路径，O(n·m) 复杂度。

• 设 normalized=False：跳过除以理论最大值的归一化步骤，结果仍是可比的相对值，但快 3–5 倍
• 设 endpoints=False（默认值）：不把端点计入路径计数，符合多数社交场景直觉；设为 True 会显著拖慢
• 小规模验证时可用 k=100 参数随机采样 100 个源节点近似计算，适合快速探查
• 若图含孤立节点，betweenness_centrality 会给它们返回 0.0 —— 这不是 bug，是定义使然，但容易误以为“没算出来”

Louvain 社区发现必须用 networkx.algorithms.community.louvain_communities

旧教程里常写 community.best_partition，那是第三方库 python-louvain 的 API，和 NetworkX 2.8+ 内置的不兼容，混用会报 AttributeError: module 'networkx.algorithms.community' has no attribute 'best_partition'。

立即学习“Python免费学习笔记（深入）”；

• 正确导入是：from networkx.algorithms.community import louvain_communities
• 调用示例：communities = louvain_communities(G, seed=42, resolution=1.0)；resolution >1.0 倾向切出更多小社区，
• 返回的是 frozenset 构成的 list，不能直接索引或修改；要转成 list of list 可写：[list(c) for c in communities]
• 该函数不支持有向图，传入 nx.DiGraph 会静默转成无向处理——如果你真需要有向社区（如信息流方向），得换 directed_louvain 等扩展库

真正卡住人的地方往往不在算法本身，而在数据进出的一致性：Neo4j 的 ID 类型、pandas 的列名拼写、NetworkX 对有向/无向的默认假设——这些细节不核对清楚，跑出来的中心性数值或社区划分就不可信。