networkx
Créer et analyser des réseaux complexes
Également disponible depuis: K-Dense-AI
Travailler avec des données de réseaux et de graphes nécessite de comprendre les algorithmes de graphes, les techniques de visualisation et les formats de données. Cette compétence fournit des conseils complets sur l'utilisation de NetworkX pour créer, analyser et visualiser des réseaux complexes en Python.
Télécharger le ZIP du skill
Importer dans Claude
Allez dans Paramètres → Capacités → Skills → Importer un skill
Activez et commencez à utiliser
Tester
Utilisation de "networkx". Create a graph with 5 nodes connected in a cycle and compute the shortest path from node 1 to node 5
Résultat attendu:
Path found: [1, 2, 3, 4, 5] with length 4
Utilisation de "networkx". Find the node with highest betweenness centrality in a social network
Résultat attendu:
User 'alice' has the highest betweenness centrality (0.45), indicating significant influence in connecting different groups
Utilisation de "networkx". Generate a scale-free network with 100 nodes
Résultat attendu:
Generated Barabasi-Albert graph with 100 nodes and 297 edges using preferential attachment
Audit de sécurité
SûrAll static findings are false positives. The skill is a documentation/reference guide for NetworkX (Python graph library). Static scanner flagged markdown code formatting backticks as 'shell execution' and documentation about file I/O operations as 'filesystem access'. No malicious code, credential access, or command injection exists. The skill provides safe Python graph processing guidance.
Facteurs de risque
📁 Accès au système de fichiers (7)
🌐 Accès réseau (4)
Score de qualité
Ce que vous pouvez construire
Analyser les relations des réseaux sociaux
Construire et analyser des graphes de réseaux sociaux pour identifier les utilisateurs influents, détecter les communautés et trouver des modèles de connexion.
Modéliser les réseaux biologiques
Créer des réseaux d'interactions protéiques, des réseaux de régulation génétique ou des cartes de connectivité neuronale pour la recherche biologique.
Optimiser les itinéraires d'infrastructure
Trouver les chemins les plus courts, concevoir des réseaux de transport efficaces et analyser la connectivité dans les systèmes d'infrastructure.
Essayez ces prompts
How do I create a basic graph using NetworkX and add nodes and edges with attributes?
Find the shortest path between two nodes in my graph and calculate the total distance considering edge weights.
Compute centrality measures (betweenness, degree, PageRank) to identify the most influential nodes in my network.
Detect communities in my graph using modularity-based methods and visualize the results with different colors for each community.
Bonnes pratiques
- Définir des graines aléatoires (seed=42) lors de la génération de graphes ou de dispositions aléatoires pour la reproductibilité
- Utiliser des types de graphes appropriés (Graph, DiGraph, MultiGraph) selon si les bords sont orientés et si plusieurs bords existent
- Choisir des formats de fichiers efficaces comme GraphML pour préserver les attributs ou pickle pour les objets Python volumineux
Éviter
- Éviter d'utiliser des nombres en virgule flottante comme identifiants de nœuds en raison de problèmes de comparaison de précision
- Ne pas tenter de dessiner des graphes très volumineux (>1000 nœuds) sans filtrage ou regroupement préalable
- Éviter de modifier un graphe tout en itérant sur ses nœuds ou ses bords sans créer une copie au préalable