dgl函数：dgl.heterograph()与dgl.from_scipy()函数详解，基于新版dgl-0.5.x以及0.6.x

软件环境

使用环境：python3.7
平台：Windows10
IDE：PyCharm
dgl版本： 0.5.3

1.相较于dgl-0.4.x版本的改变

网上关于dgl-0.4.x版本的资料相对较多，但是dgl在0.4到0.5版本发生了很大的改变，在0.4版本中常用的从稀疏矩阵中转换到graph诸多API已经不能使用了，这也是写本文的目的，如下：

比如：data为ACM数据集，数据集下载链接如下：

链接：https://pan.baidu.com/s/1wQK2VhbRlktT8G3H8-FkMA
提取码：k255

在Python中读入此数据：

import dgl.function as fn
import numpy as np
import torch
import torch.nn as nn
import torch.nn.functional as F
import scipy.io
import urllib.request
import dgl
import pygraphviz as pgv
import matplotlib.pyplot as plt
import scipy.sparse as sp
data_file_path = 'ACM.mat'
data = scipy.io.loadmat(data_file_path)

通过dgl.heterograph()创建graph

G = dgl.heterograph({
     
        ('paper', 'written-by', 'author') : data['PvsA'],
        ('author', 'writing', 'paper') : data['PvsA'].transpose(),
        ('paper', 'citing', 'paper') : data['PvsP'],
        ('paper', 'cited', 'paper') : data['PvsP'].transpose(),
        ('paper', 'is-about', 'subject') : data['PvsL'],
        ('subject', 'has', 'paper') : data['PvsL'].transpose(),
    })

会出现如下报错：

    raise DGLError("dgl.heterograph no longer supports graph construction from a SciPy "
dgl._ffi.base.DGLError: dgl.heterograph no longer supports graph construction from a SciPy sparse matrix, use dgl.from_scipy instead.

意思是从稀疏矩阵传入数据不再支持dgl.heterograph()，要用dgl.from_scipy instead进行转换

2.新版dgl从稀疏矩阵导入得到graph数据，dgl.from_scipy()函数

命令如下：

g = dgl.from_scipy(sp_mat,eweight_name='w')

官方的解释如下：

当然，英文读起来或许有点吃力，不是很容易搞清楚，下面对每个参数进行解释：

start

dgl.from_scipy()中参数一般为：
dgl.from_scipy(sp_mat, eweight_name=None, idtype=None, device=None)
用法为：g = dgl.from_scipy(sp_mat, eweight_name=None, idtype=None, device=None)

1. sp_mat为coo_matrix类型的稀疏矩阵，稀疏矩阵不理解可以参考此文章
2. eweight_name可以省略，如果省略的话则忽略稀疏矩阵中的所有值，只是创建和稀疏矩阵shape对应的graph；如果设置eweight_name，如：eweight_name='w'（其中‘w’也可以为任意字符串），则表示将稀疏矩阵中非零值视为graph中的edge（边）的特征值。
3. idtype也可省略，省略的话dgl就默认边权重的数据类型为int64，当然也可以设置为torch.int32等数据类型
4. device表示数据存储的位置，一般有CPU或者CUDA:0等可以选择

end

其中重要的是1、2参数，也是最难理解的，为方便理解，上代码：
以此例说明：

import scipy.sparse as sp
import dgl.function as fn
import numpy as np
import torch
import scipy.io
import urllib.request
import dgl


# Source nodes for edges (2, 1), (3, 2), (4, 3)
src_ids = np.array([2, 3, 4])
# Destination nodes for edges (2, 1), (3, 2), (4, 3)
dst_ids = np.array([1, 2, 3])
# Weight for edges (2, 1), (3, 2), (4, 3)
eweight = np.array([0.2, 0.3, 0.5])
sp_mat = sp.coo_matrix((eweight, (src_ids, dst_ids)), shape=(5, 5))
sp_array = sp_mat.toarray()
print(sp_array)
g1 = dgl.from_scipy(sp_mat)
g = dgl.from_scipy(sp_mat,eweight_name='w')
print(g)

out：

[[0.  0.  0.  0.  0. ]
 [0.  0.  0.  0.  0. ]
 [0.  0.2 0.  0.  0. ]
 [0.  0.  0.3 0.  0. ]
 [0.  0.  0.  0.5 0. ]]
Graph(num_nodes=5, num_edges=3,
      ndata_schemes={
     }
      edata_schemes={
     })
Graph(num_nodes=5, num_edges=3,
      ndata_schemes={
     }
      edata_schemes={
     'w': Scheme(shape=(), dtype=torch.float64)})

通过debug对比g1和g中的数据也可以看到:

g

g1

可以看到，g中因为多了eweight_name='w'

g = dgl.from_scipy(sp_mat,eweight_name='w')

所以graph中包换edata项：{'w': tensor([0.2000, 0.3000, 0.5000], dtype=torch.float64)}

3.dgl.heterograph()函数

在新版本中一般不再用这个方法来导入数据了，但是这个函数还是可以使用的，使用方法如下：

import dgl
import torch as th
#创建一个具有3种节点类型和3种边类型的异构图
graph_data = {
     
   ('drug', 'interacts', 'drug'): (th.tensor([0, 1]), th.tensor([1, 2])),
   ('drug', 'interacts', 'gene'): (th.tensor([0, 1]), th.tensor([2, 3])),
   ('drug', 'treats', 'disease'): (th.tensor([1]), th.tensor([2]))
}
g = dgl.heterograph(graph_data)

dgl.heterograph()函数的传入参数为dict字典类型数据，
字典的key数据结构为:(源节点类型, 边类型, 目标节点类型)
key中的数据为graph边的起始节点，graph边的中止节点，如上例所示创建的就是

('drug', 'interacts', 'drug')边的类型下的两条边：0->1; 1->2
('drug', 'interacts', 'gene')边的类型下的两条边：0->2; 1->3
('drug', 'treats', 'disease')边的类型下的一条边：1->2

4.参考链接

• https://docs.dgl.ai/en/0.5.x/generated/dgl.from_scipy.html#dgl-from-scipy
• https://docs.dgl.ai/generated/dgl.heterograph.html#dgl-heterograph
• https://docs.dgl.ai/en/0.5.x/guide_cn/graph-heterogeneous.html#id2
• https://blog.csdn.net/chao2016/article/details/80344828?utm_medium=distribute.pc_relevant_t0.none-task-blog-BlogCommendFromMachineLearnPai2-1.channel_param&depth_1-utm_source=distribute.pc_relevant_t0.none-task-blog-BlogCommendFromMachineLearnPai2-1.channel_param
• https://www.yuque.com/mamudechengxuyuan/od99k2/gtda2s#bNJXp

5.结束语

如果本文对你有帮助的话还请点赞、收藏一键带走哦，你的支持是我最大的动力！(づ｡◕ᴗᴗ◕｡)づ