问题的背景与现象
在使用Python的networkx库分析图数据时，nodes_with_selfloops()方法是一个常用的工具，用于检测图中存在自环的节点。然而，许多开发者在实际应用中会遇到一个典型问题：节点被重复统计。例如，在多重图（MultiGraph）或动态图中，同一个节点可能因多次自环连接而被nodes_with_selfloops多次返回，导致统计结果不准确。
问题的根本原因
该问题的根源在于networkx的数据结构设计。对于MultiGraph，允许同一对节点之间存在多条边，包括自环。因此，如果一个节点有多个自环边，nodes_with_selfloops会将其多次加入结果集。例如：
import networkx as nx
G = nx.MultiGraph()
G.add_edge(1, 1) # 自环边1
G.add_edge(1, 1) # 自环边2
print(list(nx.nodes_with_selfloops(G))) # 输出: [1, 1]
这种情况下，节点1被重复列出，而开发者可能期望结果仅为[1]。
解决方案
1. 使用集合（Set）去重
最直接的解决方法是利用Python的集合特性对结果去重：
unique_nodes = set(nx.nodes_with_selfloops(G))2. 改用number_of_selfloops方法
如果需要统计自环数量而非节点列表，可调用number_of_selfloops方法：
selfloop_count = G.number_of_selfloops()3. 预处理图数据
若需避免重复统计，可预先将MultiGraph转换为Graph（简单图）：
G_simple = nx.Graph(G)
print(list(nx.nodes_with_selfloops(G_simple))) # 输出: [1]4. 自定义过滤函数
通过遍历边数据并手动筛选自环节点，可实现更灵活的控制：
selfloop_nodes = {u for u, v in G.edges() if u == v}性能与适用性分析
上述方法在不同场景下的性能表现有所差异：
- 集合去重：适用于小型图，时间复杂度为O(n)。
- 图转换：适合需要后续简单分析的场景，但会丢失多重边信息。
- 自定义函数：灵活性最高，但需额外编码。
扩展应用：动态图与加权图
在动态图或加权图中，可能需进一步筛选自环边的权重或时间戳。此时可结合edge_attr参数：
selfloop_nodes = {u for u, v, data in G.edges(data=True) if u == v and data['weight'] > 0.5}