python 已知有一个图G，和一节点列表list1,请给出对图G使用SIR模型的代码，其中感染节点为list1

在Python中，我们可以使用网络流库如`networkx`来构建图，并结合一个简单的SIR（Susceptible-Infected-Recovered）模型来模拟传播过程。首先，确保已安装了`networkx`库，如果还没有，可以使用`pip install networkx`来安装。

以下是一个基本的SIR模型示例，假设每个节点都有一个状态属性`susceptible`、`infected`或`recovered`，并利用`list1`来初始化感染者：

import networkx as nx

# 假设已经有一个名为G的无向图，表示社交网络结构
G = nx.Graph()  # 或者使用DiGraph()对于有向图

# 假定list1包含了初始的感染节点ID
infection_list1 = list1  # 把实际的list1替换为你需要的节点ID列表

# 初始化所有节点为易感状态
for node in G.nodes():
    G.nodes[node]['state'] = 'susceptible'

# 将感染节点状态改为感染
G.nodes[infection_list1[0]]['state'] = 'infected'

# 假设函数run_simulation一天内运行一次SIR步骤
def run_simulation(G):
    susceptible_nodes = [node for node, data in G.nodes(data=True) if data['state'] == 'susceptible']
    
    # 感染邻居（假设接触即传染）
    infected_neighbors = set()
    for node in susceptible_nodes:
        infected_neighbors.update(G.neighbors(node))
    
    new_infected = [node for node in infected_neighbors if G.nodes[node]['state'] == 'susceptible']
    
    # 转化为感染
    for node in new_infected:
        G.nodes[node]['state'] = 'infected'
        
    # 每次模拟后统计恢复节点（这里简单处理，实际上可能需要更复杂的康复机制）
    recovered_nodes = [node for node, data in G.nodes(data=True) if data['state'] == 'infected' and data.get('days_since_infection', 0) >= 1]
    for node in recovered_nodes:
        G.nodes[node]['state'] = 'recovered'
        del G.nodes[node]['days_since_infection']

# 开始运行SIR迭代，可以根据需求调整迭代次数
for _ in range(num_days):  # num_days是你想要的总天数
    run_simulation(G)