网络分析流程与 NetworkX 实践02 / 16
工具选择
网络分析的软件大致分两类：编程库（NetworkX、igraph、graph-tool、NetworKit、BCT）适合可复算的计算与统计；交互式桌面软件（Cytoscape、Gephi）适合探索、注释与作图。实际研究通常两类并用：在脚本中完成构建、计算与统计，再把带属性的网络导出到桌面软件作图。
| 工具 | 形式与核心实现 | 规模与速度（定性） | 算法与功能侧重 | 许可 |
|---|---|---|---|---|
| NetworkX | Python 库，纯 Python，图存为“字典的字典” | 适合 – 节点的交互分析与方法原型；全局算法在更大网络上很慢 | 覆盖面最广：经典图算法、生成模型、读写格式、与 NumPy/SciPy/pandas 互转；可通过“后端”调用 GPU 或并行实现 | BSD-3-Clause |
| igraph | C 核心库，提供 R、Python（python-igraph）、Mathematica 接口 | 常见算法比纯 Python 实现快得多，百万级边可用 | 社团检测（Leiden、Infomap、walktrap 等）、布局、图同构；R 生态中最常用 | GPL-2.0 或更高 |
| graph-tool | Python 接口，C++ 模板实现，基于 Boost Graph Library，部分算法 OpenMP 并行 | 官方称速度与内存接近纯 C/C++ 库 | 随机块模型（SBM）的贝叶斯推断、网络重建、高质量绘图 | LGPL-3.0 |
| NetworKit | C++ 核心、Python 接口，多线程 | 面向大规模网络的并行算法 | 近似中心性、社团检测、大图生成 | MIT |
| BCT / bctpy | MATLAB 工具箱，bctpy 为 Python 移植；以邻接矩阵为输入 | 面向脑网络规模（数十到数千个节点） | 加权、有向、带符号网络的脑网络指标：参与系数、模块内度 分数、富人俱乐部、零模型 | bctpy 为 GPL-3.0；MATLAB 原版以下载包内说明为准 |
| Cytoscape | Java 桌面软件，App 扩展（stringApp、clusterMaker2 等）；可用 py4cytoscape / RCy3 脚本控制 | 交互操作适合数千到数万节点 | 生物分子网络标准平台：数据库导入、属性映射样式、功能富集、聚类 | LGPL-2.1 |
| Gephi | Java 桌面软件，OpenGL 渲染 | 官方说明可视化可达百万元素级 | ForceAtlas2 等布局、模块度与中心性统计、动态网络、导出出版级图 | CDDL-1.0 与 GPL-3.0 双许可 |
选择时可按以下顺序考虑：
- 规模：几千个节点以内，NetworkX 足够；数十万节点以上需要全局路径类计算时，改用 igraph、graph-tool 或 NetworKit，或者先过滤。
- 所需算法是否已实现、实现是否可信：例如 Leiden 算法在 igraph 中有成熟实现；基于随机块模型的社团推断以 graph-tool 最完整；脑网络中参与系数、带符号网络的模块度等指标以 BCT 的定义最常被引用。同一个指标在不同软件中的定义细节（归一化、对非连通图的处理、加权推广）可能不同，换软件时要核对文档。
- 数据形态：脑网络常以 连接矩阵存储，用 BCT 或 NumPy 直接处理矩阵更自然；PPI、调控网络常以边表存储，NetworkX、igraph、Cytoscape 更方便。
- 许可：GPL 类许可对“在自己的软件中再分发”有要求，一般科研使用不受影响，但开发并发布软件包时需要留意。
- 可复现性：脚本化工具（库）优先于手工点击；桌面软件中的操作要记录步骤、参数与版本，必要时用 py4cytoscape 等自动化接口重放。
不同软件的“同名指标”未必相同。例如对非连通图，接近中心性有的软件只在节点所在分支内计算，有的做了修正（NetworkX 默认使用 Wasserman–Faust 修正）；加权聚集系数至少有几种不同推广；介数是否归一化、是否计入端点也各不相同。报告中应写出软件名、版本与函数名；对比文献数值时先确认定义一致。