一碘勉、寫在前面
PyG 是一款基于PyTorch 的圖神經(jīng)網(wǎng)絡(luò)庫，它提供了很多經(jīng)典的圖神經(jīng)網(wǎng)絡(luò)模型和圖數(shù)據(jù)集栋艳。
在使用 PyG 框架來構(gòu)建和訓(xùn)練圖網(wǎng)絡(luò)模型時(shí)恰聘，需要事先將圖數(shù)據(jù)換成PyG定義的“圖對(duì)象”句各。
PyG 提供多種類型的圖對(duì)象（在torch_geometric.data下）吸占，常用的包括：Data（同構(gòu)圖）和HeteroData（異構(gòu)圖）。
二凿宾、基本用法（以Data對(duì)象為例）
2.1） 構(gòu)建圖對(duì)象
構(gòu)建一張圖的Data對(duì)象時(shí)矾屯，通常需要提供以下基本數(shù)據(jù)：
from torch_geometric.data import Data
Data ( x: Optional[torch.Tensor] = None,
?? edge_index: Optional[torch.Tensor] = None,
?? edge_attr: Optional[torch.Tensor] = None,
?? y: Optional[torch.Tensor] = None,
?? pos: Optional[torch.Tensor] = None,
?? **kwargs)
節(jié)點(diǎn)：節(jié)點(diǎn)名稱用數(shù)字序號(hào)表示：0，1初厚，2件蚕，... ，num _ node-1（共num_nodes個(gè)節(jié)點(diǎn)）产禾，這是默認(rèn)且固定的排作，不需要指定。
x：節(jié)點(diǎn)特征矩陣：shape為[num_nodes, num_node_features]
一張圖的所有節(jié)點(diǎn)的特征存儲(chǔ)于該二維矩陣中亚情，即一行表示一個(gè)節(jié)點(diǎn)妄痪，一列表示一個(gè)特征（一個(gè)節(jié)點(diǎn)可以有多個(gè)特征），行序號(hào)對(duì)應(yīng)節(jié)點(diǎn)序號(hào)（0楞件，1衫生，2，... 土浸，num _ node-1）罪针。edge_index：邊矩陣：shape為[2, num_edges]
一張圖的所有邊存儲(chǔ)于該二維矩陣中，其中第一行表示所有邊的起始節(jié)點(diǎn)編號(hào)黄伊，第二行表示所有邊的目標(biāo)節(jié)點(diǎn)編號(hào)泪酱，類型為 torch.long。
（注意：edge _ index 中的元素必須在{0，1墓阀，2愈腾，... ，num _ node-1}）edge_attr：邊特征矩陣：shape為[num_edges, num_edge_features]
一張圖的所有邊的特征存儲(chǔ)于該二維矩陣中岂津，即一行表示一條邊虱黄，一列表示一個(gè)特征（一條邊可以有多個(gè)特征）。y：訓(xùn)練標(biāo)簽：（可能具有任意形狀）吮成。例如橱乱，如果是節(jié)點(diǎn)級(jí)別的標(biāo)簽，其形狀為 [num_nodes, *]粱甫；如果是圖級(jí)別的標(biāo)簽泳叠， 其形狀為為 [1,*]。
節(jié)點(diǎn)位置（pos）：記錄每個(gè)節(jié)點(diǎn)的具體位置茶宵，存儲(chǔ)于shape為[num_nodes, num_dimensions]的二維矩陣中危纫。
上述信息通常需要用戶提前準(zhǔn)備好，才能構(gòu)建一個(gè)Data對(duì)象乌庶，但都不是必須要提供的种蝶。一般對(duì)于一張圖而言，最重要的是節(jié)點(diǎn)特征矩陣瞒大、邊矩陣螃征、邊特征矩陣。
Data 對(duì)象有點(diǎn)類似 Python 中的字典透敌，屬性和數(shù)據(jù)用鍵值對(duì)表示盯滚，因此可以用點(diǎn)“.”或方括號(hào)“[]”來訪問、修改酗电、增加其內(nèi)部的數(shù)據(jù)魄藕，就跟字典的操作方式一樣。
2.2） 圖對(duì)象的方法
見‘舉例1’一節(jié)的3.3）
三撵术、舉例1（簡單例子）
目標(biāo)：為下圖創(chuàng)建Data對(duì)象：
import torch
from torch_geometric.data import Data
import networkx as nx
from torch_geometric.utils import to_networkx
import matplotlib.pyplot as plt
3.1）圖的原始圖數(shù)據(jù)準(zhǔn)備：
首先將上圖中的圖（Graph）轉(zhuǎn)化成對(duì)應(yīng)的tensor（非常重要背率，決定了后面的圖對(duì)象是否能正確構(gòu)建）。
# 節(jié)點(diǎn)特征矩陣(一行對(duì)應(yīng)一個(gè)節(jié)點(diǎn)的特征荷荤，每個(gè)節(jié)點(diǎn)有3個(gè)特征)
>>my_node_features = torch.tensor([[-1, -1, -1],
[-2, -2, -2],
[-3, -3, -3],
[-4, -4, -4]],dtype=torch.float)
# 邊的節(jié)點(diǎn)對(duì)退渗，共有7條邊(四個(gè)節(jié)點(diǎn)：0、1蕴纳、2会油、3)，必須用7組節(jié)點(diǎn)對(duì)來表示
>>my_edge_index = torch.tensor([[0, 1, 2, 1, 3, 2, 3],
[1, 2, 1, 3, 1, 3, 2]], dtype=torch.long)
# 邊特征矩陣（一行對(duì)應(yīng)一條邊的特征古毛，每條邊有4個(gè)特征）
>>my_edge_attr = torch.tensor([[11, 11, 11, 11],
[22, 22, 22, 22],
[33, 33, 33, 33],
[44, 44, 44, 44],
[55, 55, 55, 55],
[66, 66, 66, 66],
[77, 77, 77, 77]], dtype=torch.float)
# 邊權(quán)重翻翩，共有7個(gè)邊權(quán)重都许，一條邊一個(gè)
>>my_edge_weight = torch.tensor([1, 2, 3, 4, 5, 6, 7], dtype=torch.float)
3.2）根據(jù)圖的原始數(shù)據(jù)構(gòu)建PyG圖對(duì)象（Data對(duì)象）：
>>pyg_G = Data(x=my_node_features,
edge_index=my_edge_index,
edge_attr=my_edge_attr,
edge_weight=my_edge_weight)
>>print(pyg_G)
輸出：
Data(x=[4, 3], edge_index=[2, 7], edge_attr=[7, 4], edge_weight=[7])
★對(duì)PyG對(duì)象輸出信息的解讀很重要（特別是對(duì)于無法圖像化的大圖）！
3.3）圖對(duì)象（Data對(duì)象）提供的幾種常用方法（其他方法使用‘dir(圖對(duì)象)’獲壬┒场）：
- .num_nodes：返回節(jié)點(diǎn)個(gè)數(shù)（int）
- .num_node_types：返回節(jié)點(diǎn)種類數(shù)（int）
- .num_node_features：返回節(jié)點(diǎn)特征數(shù)（int）
- .node_attrs()：返回與節(jié)點(diǎn)相關(guān)的屬性名列表（str list）
>>pyg_G.node_attrs()
['x']
- .x：★返回節(jié)點(diǎn)特征矩陣（tensor array）
>>pyg_G.x
tensor([[-1., -1., -1.],
[-2., -2., -2.],
[-3., -3., -3.],
[-4., -4., -4.]])
.num_edges：返回邊條數(shù)（int）
.num_edge_types：返回邊種類數(shù)（int）
.num_edge_features：返回邊特征數(shù)（int）
.edge_index：★返回邊的節(jié)點(diǎn)對(duì)（tensor array）
>>pyg_G.edge_index
tensor([[0, 1, 2, 1, 3, 2, 3],
[1, 2, 1, 3, 1, 3, 2]])
- edge_attrs()：返回與邊相關(guān)的屬性名列表（str list）
pyg_G.edge_attrs()
['edge_weight', 'edge_attr', 'edge_index']
- pyg_G.edge_weight：返回邊權(quán)重（tensor array）
>>pyg_G.edge_weight
tensor([1., 2., 3., 4., 5., 6., 7.])
- .edge_attr：返回邊的特征矩陣（tensor array）
>>pyg_G.edge_attr
tensor([[11., 11., 11., 11.],
[22., 22., 22., 22.],
[33., 33., 33., 33.],
[44., 44., 44., 44.],
[55., 55., 55., 55.],
[66., 66., 66., 66.],
[77., 77., 77., 77.]])
- .edge_stores 和.node_stores：返回存儲(chǔ)了整個(gè)圖的信息（dict list）
>>pyg_G.node_stores
[{'x': tensor([[-1., -1., -1.],
[-2., -2., -2.],
[-3., -3., -3.],
[-4., -4., -4.]]), 'edge_index': tensor([[0, 1, 2, 1, 3, 2, 3],
[1, 2, 1, 3, 1, 3, 2]]), 'edge_attr': tensor([[11., 11., 11., 11.],
[22., 22., 22., 22.],
[33., 33., 33., 33.],
[44., 44., 44., 44.],
[55., 55., 55., 55.],
[66., 66., 66., 66.],
[77., 77., 77., 77.]]), 'edge_weight': tensor([1., 2., 3., 4., 5., 6., 7.])}]
3.4）PyG圖對(duì)象與networkx圖對(duì)象的轉(zhuǎn)換（檢查我們創(chuàng)建的PyG對(duì)象是否與原圖一致）
（https://blog.csdn.net/zzy_NIC/article/details/127996911）
（https://zhuanlan.zhihu.com/p/92482339）
PyG主要用于圖網(wǎng)絡(luò)計(jì)算胶征，本身沒有可視化功能〗胺拢可利用PyG的to_networkx()方法將PyG同構(gòu)圖對(duì)象轉(zhuǎn)化成networkx對(duì)象睛低，然后可視化。
to_networkx(
?? data: PyG的Data或HeteroData對(duì)象,
?? node_attrs: 節(jié)點(diǎn)屬性名（可迭代str對(duì)象服傍，默認(rèn)None）,
?? edge_attrs: 邊屬性名（可迭代str對(duì)象钱雷，默認(rèn)None）,
?? graph_attrs: 圖屬性名（可迭代str對(duì)象，默認(rèn)None）,
?? to_undirected: 轉(zhuǎn)換成無向圖還是有向圖（True/False吹零，默認(rèn)False）,
?? remove_self_loops: 是否將圖中的loop移除（True/False罩抗，默認(rèn)False）,
)
■■Case1：轉(zhuǎn)換時(shí)，不指定 node_attrs灿椅、edge_attrs套蒂、graph_attrs參數(shù)。
從輸出結(jié)果來看茫蛹，這種情況to_networkx()只會(huì)把PyG對(duì)象的節(jié)點(diǎn)（nodes）和邊（edges）轉(zhuǎn)換到networkx對(duì)象中操刀，其他屬性信息不會(huì)包含（下圖中全是空{(diào) }）。其次麻惶，從輸出的節(jié)點(diǎn)名馍刮、邊的節(jié)點(diǎn)對(duì)以及圖像來看，與最前面的‘原圖’是相同的窃蹋，說明我們構(gòu)建的PyG是對(duì)的。
# Case1
>>nx_G = to_networkx(data=pyg_G, to_undirected=False) # 將PyG的Data對(duì)象轉(zhuǎn)化成networkx的數(shù)據(jù)對(duì)象
>>print(f'節(jié)點(diǎn)名：{nx_G.nodes}')
>>print(f'邊的節(jié)點(diǎn)對(duì)：{nx_G.edges}')
>>print('每個(gè)節(jié)點(diǎn)的屬性：')
# print(nx_G.nodes(data=True))
>>for node in nx_G.nodes(data=True):
print(node)
>>print('每條邊的屬性：')
# print(nx_G.edges(data=True))
>>for edge in nx_G.edges(data=True):
print(edge)
# 畫圖
>>pos = nx.spring_layout(nx_G) # 迭代計(jì)算‘可視化圖片’上每個(gè)節(jié)點(diǎn)的坐標(biāo)
>>nx.draw(nx_G, pos, node_size=800, with_labels=True, font_size=20) # 繪圖
>>plt.show()
輸出：如下圖所示
■■Case2：轉(zhuǎn)換時(shí)静稻，指定 node_attrs警没、edge_attrs、graph_attrs參數(shù)振湾。
這種情況杀迹，首先得查看原PyG對(duì)象有哪些屬性：
>>print(pyg_G.node_attrs())
>>print(pyg_G.edge_attrs())
輸出：
['x']
['edge_weight', 'edge_attr', 'edge_index']
可見，該P(yáng)yG對(duì)象有節(jié)點(diǎn)屬性有['x']押搪，邊屬性有['edge_weight', 'edge_attr', 'edge_index']树酪，
于是可以在to_networkx()轉(zhuǎn)換時(shí)進(jìn)行指定（特別注意：'edge_index'這個(gè)屬性不能寫在to_networkx()的edge_attrs變量中，否則出錯(cuò)）大州，見下面代碼：
# Case2
>>nx_G = to_networkx(data=pyg_G,
node_attrs=['x'],
edge_attrs=['edge_weight', 'edge_attr'],
to_undirected=True) # 將PyG的Data對(duì)象轉(zhuǎn)化成networkx的數(shù)據(jù)對(duì)象
>>print(f'節(jié)點(diǎn)名：{nx_G.nodes}')
>>print(f'邊的節(jié)點(diǎn)對(duì)：{nx_G.edges}')
>>print('每個(gè)節(jié)點(diǎn)的屬性：')
# print(nx_G.nodes(data=True))
>>for node in nx_G.nodes(data=True):
print(node)
>>print('每條邊的屬性：')
# print(nx_G.edges(data=True))
>>for edge in nx_G.edges(data=True):
print(edge)
# 畫圖
>>pos = nx.spring_layout(nx_G) # 迭代計(jì)算‘可視化圖片’上每個(gè)節(jié)點(diǎn)的坐標(biāo)
>>nx.draw(nx_G, pos, node_size=400, with_labels=True) # 繪圖
>>plt.show()
從上圖的輸出結(jié)果看续语，已經(jīng)把PyG對(duì)象的節(jié)點(diǎn)和邊的各種屬性同時(shí)轉(zhuǎn)化成networkx對(duì)象的屬性了。
四厦画、舉例2（PyG對(duì)象節(jié)點(diǎn)疮茄、邊滥朱、節(jié)點(diǎn)特征、邊特征之間的對(duì)應(yīng)關(guān)系剖析）
import torch
from torch_geometric.data import Data
import networkx as nx
from torch_geometric.utils import to_networkx
import matplotlib.pyplot as plt
4.1）原始圖數(shù)據(jù)準(zhǔn)備
與前面不同的是力试，此例中事先并不知道圖的結(jié)構(gòu)徙邻，只有數(shù)據(jù)。
而且注意：
my_node_features的shape=[5,3]畸裳，即節(jié)點(diǎn)序號(hào)為：0缰犁、1、2怖糊、3民鼓、4；
但邊的節(jié)點(diǎn)對(duì)my_edge_index 指定的節(jié)點(diǎn)為：10蓬抄、11丰嘉、12、13嚷缭。
# 節(jié)點(diǎn)特征矩陣(一行對(duì)應(yīng)一個(gè)節(jié)點(diǎn)的特征饮亏，每個(gè)節(jié)點(diǎn)有3個(gè)特征)
>>my_node_features = torch.tensor([[-1, -1, -1],
[-2, -2, -2],
[-3, -3, -3],
[-4, -4, -4],
[-5, -5, -5]],
dtype=torch.float)
# 邊矩陣（這里共有7條邊，必須用7組節(jié)點(diǎn)對(duì)來表示阅爽，節(jié)點(diǎn)對(duì)的前后位置可以任意調(diào)換路幸，對(duì)結(jié)果沒有影響）
>>my_edge_index = torch.tensor([[10, 11, 12, 11, 13, 13, 12],
[11, 12, 11, 13, 11, 12, 13]], dtype=torch.long)
# 邊特征矩陣（一行對(duì)應(yīng)一條邊的特征，每條邊有4個(gè)特征）
>>my_edge_attr = torch.tensor([[11, 11, 11, 11],
[22, 22, 22, 22],
[33, 33, 33, 33],
[44, 44, 44, 44],
[55, 55, 55, 55],
[66, 66, 66, 66],
[77, 77, 77, 77]], dtype=torch.float)
# 邊權(quán)重付翁，共設(shè)置了7個(gè)邊權(quán)重
>>my_edge_weight = torch.tensor([1, 2, 3, 4, 5, 6, 7], dtype=torch.float)
4.2）根據(jù)原始數(shù)據(jù)構(gòu)建PyG圖對(duì)象
>>pyg_G = Data(x=my_node_features,
edge_index=my_edge_index,
edge_attr=my_edge_attr,
edge_weight=my_edge_weight)
>>print(pyg_G)
輸出：
Data(x=[5, 3], edge_index=[2, 7], edge_attr=[7, 4], edge_weight=[7])
從PyG對(duì)象的輸出結(jié)果看简肴，該圖有5個(gè)節(jié)點(diǎn)，每個(gè)節(jié)點(diǎn)3個(gè)特征百侧；共有7條邊砰识，每條邊4個(gè)特征，1個(gè)權(quán)重佣渴。
輸出節(jié)點(diǎn)和邊的屬性名列表：
>>print(pyg_G.node_attrs())
>>print(pyg_G.edge_attrs())
輸出：
['x']
['edge_index', 'edge_weight', 'edge_attr']
4.3）將PyG對(duì)象轉(zhuǎn)換成networkx對(duì)象辫狼，并成圖
>>nx_G = to_networkx(data=pyg_G,
node_attrs=['x'],
edge_attrs=['edge_weight', 'edge_attr'],
to_undirected=False) # 將PyG的Data對(duì)象轉(zhuǎn)化成networkx的數(shù)據(jù)對(duì)象
>>print(f'節(jié)點(diǎn)名：{nx_G.nodes}')
>>print(f'邊的節(jié)點(diǎn)對(duì)：{nx_G.edges}')
>>print('每個(gè)節(jié)點(diǎn)的屬性：')
# print(nx_G.nodes(data=True))
>>for node in nx_G.nodes(data=True):
print(node)
>>print('每條邊的屬性：')
# print(nx_G.edges(data=True))
>>for edge in nx_G.edges(data=True):
print(edge)
# 畫圖
>>pos = nx.circular_layout(nx_G) # 迭代計(jì)算‘可視化圖片’上每個(gè)節(jié)點(diǎn)的坐標(biāo)
>>nx.draw(nx_G, pos, node_size=800, with_labels=True, font_size=20) # 繪圖
>>plt.show()
Case1：參數(shù)to_undirected=False，即有向圖
從輸出結(jié)果的節(jié)點(diǎn)名來看辛润，該圖共有9個(gè)節(jié)點(diǎn)膨处，前面的[0,1,2,3,4]五個(gè)節(jié)點(diǎn)（注意，代碼中我們并沒有指定這些節(jié)點(diǎn)名）是to_networkx()根據(jù)節(jié)點(diǎn)特征矩陣my_node_features的行數(shù)按0,1,2……順序自動(dòng)分配的（這是PyG固定的）砂竖；后面四個(gè)節(jié)點(diǎn)[10,11,12,13]是to_networkx()根據(jù)用戶給的邊的節(jié)點(diǎn)對(duì)矩陣my_edge_index中自動(dòng)抽取并生成的真椿。
【★★可見，在利用to_networkx()將PyG對(duì)象轉(zhuǎn)換成networkx對(duì)象時(shí)乎澄，to_networkx會(huì)自動(dòng)補(bǔ)充一些節(jié)點(diǎn)突硝，比如這里的[0,1,2,3,4]，我們將其稱為冗余節(jié)點(diǎn)三圆！可以寫額外的代碼來將這些冗余節(jié)點(diǎn)刪除狞换，見子圖抽取的‘2.2.5 將冗余節(jié)點(diǎn)從子圖的networkx圖對(duì)象中刪除’】
關(guān)于邊的特征和權(quán)重避咆，PyG會(huì)自動(dòng)將邊特征矩陣my_edge_attr的
第1行作為第1條邊【這里是（10,11）】的特征；
第2行作為第2條邊【這里是（11,12）】的特征修噪；
第3行作為第3條邊【這里是（12,11）】的特征查库；
……
同理，PyG會(huì)自動(dòng)將邊權(quán)重向量my_edge_weight的
第1個(gè)值作為第1條邊【這里是（10,11）】的權(quán)重黄琼；
第2個(gè)值作為第2條邊【這里是（11,12）】的權(quán)重樊销；
第3個(gè)值作為第3條邊【這里是（12,11）】的權(quán)重；
……
特別注意：邊特征矩陣（my_edge_attr）的行數(shù)脏款、邊權(quán)重向量（my_edge_weight）的元素個(gè)數(shù)都必須和邊節(jié)點(diǎn)對(duì)矩陣（my_edge_index ）的列數(shù)相同围苫，否則結(jié)果會(huì)出錯(cuò)。
Case2：參數(shù)to_undirected=True撤师，即無向圖
Case2除了邊有所變化以外剂府，其他都與Cas1一樣。
Case2主要為了說明to_networkx()這個(gè)函數(shù)的參數(shù)to_undirected=False/True（有向圖和無向圖）的區(qū)別剃盾。
Cas1是有向圖腺占，根據(jù)給定的節(jié)點(diǎn)對(duì)矩陣my_edge_index從起點(diǎn)到終點(diǎn)畫圖即可，這個(gè)沒啥疑問痒谴。
Cas2是無向圖：
- 如果兩個(gè)節(jié)點(diǎn)之間只有1條邊衰伯，則有向圖和無向圖都用這條邊，比如這里的（10,11）积蔚；
- 如果兩個(gè)節(jié)點(diǎn)之間有2條邊意鲸，則使用小節(jié)點(diǎn)序號(hào)到大節(jié)點(diǎn)序號(hào)的邊作為無向邊，比如這里的（11,12）和（12,11）尽爆，選擇（11,12）作為無向邊怎顾，（11,13）和（13,11）戏罢，選擇（11,13）作為無向邊，（13,12）和（12,13）溶诞，選擇（12,13）作為無向邊驳遵。
參考：
https://zhuanlan.zhihu.com/p/599104296
https://blog.csdn.net/ARPOSPF/article/details/128398393
