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

在Python中，我们可以使用networkx库来处理图形结构，然后结合numpy进行数学计算，模拟SEIR（Susceptible、Exposed、Infected、Recovered）传染病模型。以下是一个简化的示例，假设我们已经有了一个表示图G的邻接矩阵和一个表示初始感染者集合的list1：

import networkx as nx
import numpy as np

# 假设图G是一个无向图，用邻接矩阵表示
adj_matrix = ... # 从图G获取邻接矩阵
G = nx.from_numpy_array(adj_matrix)  # 如果是二维数组，可以转化为nx.Graph()

# 初始状态：S(易感者)，E(暴露期)，I(感染者)，R(康复者)
initial_states = {'S': [not node in list1 for node in G.nodes()],
                  'E': [0] * len(G),  # 暴露者默认为0
                  'I': [node in list1 for node in G.nodes()],  # 初始感染者
                  'R': [0] * len(G)}

# SEIR模型参数，这里简化为固定值
beta = 0.5  # 传染率
gamma = 0.2  # 感染到康复的平均时间
delta = 1 / gamma  # 康复周期

# 时间步长
dt = 0.1

# 计算每个步骤的变化
def step(states):
    S, E, I, R = states['S'], states['E'], states['I'], states['R']
    new_I = beta * np.dot(S.reshape(-1, 1), I).reshape(-1) * dt
    new_R = I - delta * I * dt
    return {'S': S - new_I,
            'E': E + new_I - gamma * E * dt,
            'I': I + gamma * E * dt - new_R,
            'R': R + new_R}

# 迭代模拟
num_steps = 100  # 总迭代次数
states = initial_states
for _ in range(num_steps):
    states = step(states)

# 输出最终的感染情况
infections = states['I']