用途：NetworkX 是 Python 图与网络分析库，用于处理实体间关系数据，如社交网络、生物网络、交通系统、引文网络、知识图谱。
主要能力：支持四种图类型——Graph（无向单边）、DiGraph（有向）、MultiGraph（无向多重边）、MultiDiGraph（有向多重边）。节点可为任意可哈希对象，节点与边均可带属性。提供最短路径、度中心性、介数中心性、PageRank、连通性、聚类、社区检测（如 greedy_modularity_communities）、最大流、匹配、树算法、同构等算法。内置图生成器：完全图、环图、Karate 俱乐部图、Petersen 图、Erdős-Rényi 随机图、Barabási-Albert 无标度网络、Watts-Strogatz 小世界网络、网格图、随机树等。支持边列表、GraphML、GML、JSON、CSV、Pandas DataFrame、NumPy 邻接矩阵、SciPy 稀疏矩阵等读写。可视化基于 matplotlib，支持 spring、circular、kamada_kawai、spectral 等布局，可按度着色、按中心性调整节点大小、按权重设置边宽，并可导出 PNG/PDF。
使用方式：安装可执行 uv pip install networkx 或 uv pip install networkx[default]（含可选依赖）。典型流程为建图或读图、查看结构、运行算法、可视化、导出结果。示例：import networkx as nx；G = nx.Graph()；G.add_edges_from([(1, 2), (2, 3)])；nx.shortest_path(G, source=1, target=3)；pos = nx.spring_layout(G, seed=42)；nx.draw(G, pos=pos, with_labels=True)。
适用场景：网络结构建模、中心性排序、路径与连通分析、社区发现、合成网络仿真、图数据格式转换与可视化。
限制：浮点精度会使结果近似，影响最小/最大类计算；每次运行需将图载入内存，大图应使用稀疏结构、子图或近似算法；随机图生成与力导向布局应设置随机种子以保证可复现。官方文档 https://networkx.org/documentation/latest/ ，GitHub https://github.com/networkx/networkx 。