DGL学习(二): 使用DGL构造图

有许多方法可以构造DGLGraph。文档中建议使用的方法有四种，分别如下：

① 使用两个数组，分别存储源节点和目标节点对象 (数组类型可以是numpy 也可以是 tensor)。

② scipy 中的稀疏矩阵()，表示要构造的图的邻接矩阵。

③ networkx 的图对象(DGLGraph 和 networkx 可以互转)。

④ 整数对形式的边列表。

下面分别展示了用四种方法建图:

import networkx as nx
import dgl
import torch
import numpy as np
import scipy.sparse as spp
import matplotlib.pyplot as plt
## 方式1： 使用两个节点数组构造图
u = torch.tensor([0,0,0,0,0])
v = torch.tensor([1,2,3,4,5])
g1 = dgl.DGLGraph((u,v))

# 如果数组之一是标量，该值自动广播以匹配另一个数组的长度,称为“边缘广播”的功能。
g1 = dgl.DGLGraph((0,v))

## 方式2: 使用稀疏矩阵进行构造
adj = spp.coo_matrix((np.ones(len(u)), (u.numpy(), v.numpy()))) ## 传入的参数(data, (row, col))
g2 = dgl.DGLGraph(adj)

## 方式3: 使用networkx
g_nx =nx.petersen_graph()
g3 = dgl.DGLGraph(g_nx)

## 方式4：加边 (没有上面的方法高效)
g4 = dgl.DGLGraph()
g4.add_nodes(10) # 添加节点数量 该方法第二个参数是添加每个节点的特征。
## 加入边
for i in range(1,5): # 一条条边添加
    g4.add_edge(i,0)

src = list(range(5,8));dst = [0]*3 # 使用list批量添加
g4.add_edges(src, dst)
src = torch.tensor([8,9]);dst = torch.tensor([0,0]) # 使用list批量添加
g4.add_edges(src, dst)

plt.subplot(221)
nx.draw(g1.to_networkx(), with_labels=True)
plt.subplot(222)
nx.draw(g2.to_networkx(), with_labels=True)
plt.subplot(223)
nx.draw(g3.to_networkx(), with_labels=True)
plt.subplot(224)
nx.draw(g4.to_networkx(), with_labels=True)

plt.show()

为DGL图中的节点和边分配特征: 这些特征表示为名称（字符串）和张量的字典，称为字段。以下代码段为每个节点分配一个向量（len = 3）。

import dgl
import torch
import networkx as nx
import matplotlib.pyplot as plt
g = dgl.DGLGraph()

g.add_nodes(10)
for i in range(1,10):
    g.add_edge(i,0)


## 为节点分配特征
x = torch.randn(10, 3)
g.ndata['x'] = x
g.ndata['x'][0] = torch.zeros(1,3)
g.ndata['x'][[0,1,2]] = torch.zeros(3,3)
g.ndata['x'][torch.tensor([0, 1, 2])] = torch.randn((3, 3))

## 为边分配特征
g.edata['w'] = torch.randn(9, 2)
g.edata['w'][1] = torch.randn(1, 2)
g.edata['w'][[0, 1, 2]] = torch.zeros(3, 2)
g.edata['w'][torch.tensor([0, 1, 2])] = torch.zeros(3, 2)

g.edata['w'][g.edge_id(1, 0)] = torch.ones(1, 2)                   # edge 1 -> 0
g.edata['w'][g.edge_ids([1, 2, 3], [0, 0, 0])] = torch.ones(3, 2)  # edges [1, 2, 3] -> 0
# Use edge broadcasting whenever applicable.
g.edata['w'][g.edge_ids([1, 2, 3], 0)] = torch.ones(3, 2)          # edges [1, 2, 3] -> 0

print(g.node_attr_schemes()) ## 查看节点属性

移除节点特征和边特征:

g.ndata.pop('x')
g.edata.pop('w')

对于拥有节点拥有多条边multigraphs:

import dgl
import torch
import networkx as nx
import matplotlib.pyplot as plt
g = dgl.DGLGraph()

g.add_nodes(10)
for i in range(1,10):
    g.add_edge(i,0)


## 为节点分配特征
x = torch.randn(10, 3)
g.ndata['x'] = x
g.ndata['x'][0] = torch.zeros(1,3)
g.ndata['x'][[0,1,2]] = torch.zeros(3,3)
g.ndata['x'][torch.tensor([0, 1, 2])] = torch.randn((3, 3))

## 为边分配特征
g.edata['w'] = torch.randn(9, 2)
g.edata['w'][1] = torch.randn(1, 2)
g.edata['w'][[0, 1, 2]] = torch.zeros(3, 2)
g.edata['w'][torch.tensor([0, 1, 2])] = torch.zeros(3, 2)

g.edata['w'][g.edge_id(1, 0)] = torch.ones(1, 2)                   # edge 1 -> 0
g.edata['w'][g.edge_ids([1, 2, 3], [0, 0, 0])] = torch.ones(3, 2)  # edges [1, 2, 3] -> 0
# Use edge broadcasting whenever applicable.
g.edata['w'][g.edge_ids([1, 2, 3], 0)] = torch.ones(3, 2)          # edges [1, 2, 3] -> 0

print(g.node_attr_schemes()) ## 查看节点属性


g_multi = dgl.DGLGraph()
g_multi.add_nodes(10)
g_multi.ndata['x'] = torch.randn(10, 2)

g_multi.add_edges(list(range(1, 10)), 0)
g_multi.add_edge(1, 0) # two edges on 1->0

g_multi.edata['w'] = torch.randn(10, 2)
print(g_multi.edges())

## 有重边的话没办法通过 (u,v)定位，需要使用edge_id来获取
eid_10 = g_multi.edge_id(1, 0, return_array=True)
print(eid_10)
g_multi.edges[eid_10].data['w'] = torch.ones(len(eid_10), 2)
print(g_multi.edata['w'])