可视化无向图对GraphViz来说太大了？
我需要build议使用178,000个节点和500,000条边来渲染无向图。 我试过Neato，郁金香和Cytoscape。 Neato甚至都不是很靠近，而Tulip和Cytoscape声称他们可以处理它，但似乎没有办法。 （郁金香什么都不做，Cytoscape声称工作，然后停下来。）
我只是喜欢一个vector格式文件（PS或PDF）与节点的远程合理的布局。
Graphviz本身提供了一个渲染大图的解决scheme。
也就是说，Graphviz包含sfdp ，这是一个多尺度版本的fdp（也在graphviz中，类似于neato），用于大型无向图的布局，对于在我的项目中绘制大图（70k节点，500k边）非常有用。
您可以在graphviz网站上find此软件的文档，url是http://www.graphviz.org/
更多的信息，一篇描述底层技术和例子的文章可以在这里find：http: //yifanhu.net/PUB/graph_draw_small.pdf
我build议您先对数据进行一些预处理，例如将节点折叠为群集，然后对群集进行可视化。 折叠将减less节点的数量，使诸如Kamada-Kawai或Fruchterman-Reingold等algorithm更容易渲染结果图。
如果你真的需要可视化500.000节点，那么你可以考虑使用简单的圆形布局。 这将很容易呈现没有基于力量的algorithm的问题。 看看Circos： http ://mkweb.bcgsc.ca/circos/
Circos是由生物信息学人员开发的graphics可视化工具，专为可视化基因组和其他极其庞大而复杂的数据集而量身定制。
这是基于PERL的包，我希望这不是问题。
我在Python中使用graphics工具库获得了很好的结果。 下面的图表有1,490个节点和19,090个边缘 – 大约需要5分钟在我的笔记本电脑上进行渲染。
图表数据来自Adamic和Glance在“政治博客圈和2004年美国大选”中描述的政治博客networking。 如果放大，您可以看到每个节点的博客url。
这是我用来绘制它的代码（博客http://ryancompton.net/2014/10/22/stochastic-block-model-based-edge-bundles-in-graph-tool/ ）：
import graph_tool.all as gt import math g = gt.collection.data["polblogs"] # http://www2.scedu.unibo.it/roversi/SocioNet/AdamicGlanceBlogWWW.pdf print(g.num_vertices(), g.num_edges()) #reduce to only connected nodes g = gt.GraphView(g,vfilt=lambda v: (v.out_degree() > 0) and (v.in_degree() > 0) ) g.purge_vertices() print(g.num_vertices(), g.num_edges()) #use 1->Republican, 2->Democrat red_blue_map = {1:(1,0,0,1),0:(0,0,1,1)} plot_color = g.new_vertex_property('vector<double>') g.vertex_properties['plot_color'] = plot_color for v in g.vertices(): plot_color[v] = red_blue_map[g.vertex_properties['value'][v]] #edge colors alpha=0.15 edge_color = g.new_edge_property('vector<double>') g.edge_properties['edge_color']=edge_color for e in g.edges(): if plot_color[e.source()] != plot_color[e.target()]: if plot_color[e.source()] == (0,0,1,1): #orange on dem -> rep edge_color[e] = (255.0/255.0, 102/255.0, 0/255.0, alpha) else: edge_color[e] = (102.0/255.0, 51/255.0, 153/255.0, alpha) #red on rep-rep edges elif plot_color[e.source()] == (1,0,0,1): edge_color[e] = (1,0,0, alpha) #blue on dem-dem edges else: edge_color[e] = (0,0,1, alpha) state = gt.minimize_nested_blockmodel_dl(g, deg_corr=True) bstack = state.get_bstack() t = gt.get_hierarchy_tree(bstack)[0] tpos = pos = gt.radial_tree_layout(t, t.vertex(t.num_vertices() - 1), weighted=True) cts = gt.get_hierarchy_control_points(g, t, tpos) pos = g.own_property(tpos) b = bstack[0].vp["b"] #labels text_rot = g.new_vertex_property('double') g.vertex_properties['text_rot'] = text_rot for v in g.vertices(): if pos[v][0] >0: text_rot[v] = math.atan(pos[v][1]/pos[v][0]) else: text_rot[v] = math.pi + math.atan(pos[v][1]/pos[v][0]) gt.graph_draw(g, pos=pos, vertex_fill_color=g.vertex_properties['plot_color'], vertex_color=g.vertex_properties['plot_color'], edge_control_points=cts, vertex_size=10, vertex_text=g.vertex_properties['label'], vertex_text_rotation=g.vertex_properties['text_rot'], vertex_text_position=1, vertex_font_size=9, edge_color=g.edge_properties['edge_color'], vertex_anchor=0, bg_color=[0,0,0,1], output_size=[4024,4024], output='polblogs_blockmodel.png')
试试Gephi ，它有一个名为OpenOrd的新布局插件，可以扩展到数百万个节点。
Mathematica很可能会处理这个问题，但是我不得不承认，我的第一个反应是按照“拿一张纸，把它染成黑色”的评论。 有没有办法减less图的密度？
一个可能的问题是，你似乎在寻找布局，而不仅仅是渲染。 我不了解各种工具所实现的布局的大O特点，但直觉上我猜可能需要很长时间来布置这么多的数据。
它是否需要真正准确？
取决于你想要完成的事情，它可能足以描绘10％或1％的数据量。 （当然，这也可能是完全无用的，但这一切都取决于可视化的目的）
你可以试试aiSee： http ：//www.aisee.com/manual/unix/56.htm
我期望边缘群集（ http://www.visualcomplexity.com/vc/project_details.cfm?id=679&index=679&domain= ）将有所帮助。 这种技术将相关的边缘捆绑在一起，减less了graphics的视觉复杂度。 你可能不得不自己实现这个algorithm。
BioFabric（ http://www.BioFabric.org ）是另一种可视化大图的工具。 它应该能够处理所描述的networking（178,000个节点和50万个边缘），虽然初始布局可能需要一些时间。 这里的networking展示（来自斯坦福大型networking数据集合）是斯坦福networkingnetworking，其具有281,903个节点和2,312,497个边缘：
BioFabric的可扩展性是由于它代表节点不是点而是水平线。 然后边缘显示为垂直线。 有关这个工作原理的一些直觉，有Super-Quick BioFabric演示 ，这是一个使用D3animation的小型networking。
主要的应用程序是用Java编写的。 目前，它只能导出PNG图像，而不是PDF。 有一个来自RBioFabric的PDF导出选项，虽然这是一个非常简单的实现，但无法处理真正的大型networking。
充分披露：BioFabric是我写的一个工具。
如果一切都失败了，你可以把这个文件的清理版本作为debugging场景提供给这些工具的开发者。
查看基于Java / Jython的GUESS： http : //graphexploration.cond.org/
大图布局（LGL）项目帮助了我很多与类似的问题。 它处理布局，并有一个小型的Java应用程序来绘制2D生成的布局。 没有vector输出框，所以你必须自己绘制图（给定由LGL生成的节点坐标）
一个窗口工具，可以可视化graphics是pajek ，它会产生一个eps输出，但我不知道它是否可以读取您的数据。
这里有一个应用程序列表： http ://www.mkbergman.com/?p= 414
Walrus和LGL是被认为适合大型图表的两种工具。 然而，这两个似乎都需要graphics作为文本文件input自己的特殊格式，这可能是一个痛苦。
我不认为你可以在一个平面布局中远程接近可视化。
我一直对这个研究报告中描述的双曲线图感兴趣。 尝试从SourceForge软件。
另一个想法是使用在Panopticode中看到的TreeMap来绘制节点。
您也可以尝试NAViGaTOR （披露：我是该软件的开发人员之一）。 我们已经成功地用多达170万个边缘可视化graphics。 虽然这样的大型networking很难操纵（用户界面会变得迟缓）。 但是，它确实使用OpenGL来实现可视化，因此一些开销被转移到了graphics卡上。
另外请注意，在成功打开一个很大的networking之前，您必须在文件 – >首选项对话框中调整内存设置。
最后，正如大多数其他答复指出的那样，最好将数据重新组织为更小更有意义的内容。
首先，我想第二个aliekens的build议尝试sfdp。 这是Neato的大规模版本。
正如OJW所build议的，你也可以在R2中绘制节点。 你的边缘实际上提供了他所说的“自然sorting”。 特别是可以绘制归一化graphics拉普拉斯算子的第二和第三特征向量的分量。 这是维基百科页面中有关谱聚类的matrixL 你应该能够写下这个matrix，而不理解它后面的线性代数。 然后，你已经减less了你的问题来近似计算一个大型稀疏matrix的前几个特征向量。 这是传统上通过迭代方法完成的，并且在标准线性代数包中实现。 这种方法应该扩大到非常大的图。
