跟着官方文档学DGL框架第二天——DGLGraph和节点/边特征

主要参考：https://docs.dgl.ai/tutorials/basics/2_basics.html

如何用DGLGraph创建图

如果创建一个图，有以下几种方式：

1）dgl.DGLGraph(g_nx)

可以先用networkx创建一个图，然后转为DGLGraph格式的；DGLGraph的图也可以转为networkx格式。演示代码如下：

import networkx as nx
import dgl

g_nx = nx.petersen_graph()
g_dgl = dgl.DGLGraph(g_nx)

import matplotlib.pyplot as plt
plt.subplot(121)
nx.draw(g_nx, with_labels=True)
plt.subplot(122)
nx.draw(g_dgl.to_networkx().to_undirected(), with_labels=True)

plt.show()

可以看出:
1.只需要用dgl.DGLGraph(g_nx)就可以把networkx的图转为DGLGraph；逆过程则是g_dgl.to_networkx()

2.右边的图有箭头是因为g_dgl本身是有向图，转为无向图就没有箭头了：g_dgl.to_networkx().to_undirected()

2）dgl.DGLGraph((u, v))

其中u和v分别存储头节点和尾节点，演示代码如下：

import torch as th

# Create a star graph from a pair of arrays (using ``numpy.array`` works too).
u = th.tensor([0, 0, 0, 0, 0])
v = th.tensor([1, 2, 3, 4, 5])
star1 = dgl.DGLGraph((u, v))

3）dgl.DGLGraph(adj)

用scipy稀疏矩阵表示图的邻接矩阵adj。演示代码如下：

import numpy as np
import scipy.sparse as spp

# Create the same graph from a scipy sparse matrix (using ``scipy.sparse.csr_matrix`` works too).
adj = spp.coo_matrix((np.ones(len(u)), (u.numpy(), v.numpy())))
star3 = dgl.DGLGraph(adj)

4）逐点逐边地构建图

i）每次添加一条边，g.add_edge(src, dst)，src为头节点，dst为尾节点。

g = dgl.DGLGraph()
g.add_nodes(10)
# A couple edges one-by-one
for i in range(1, 4):
    g.add_edge(i, 0)

ii）一次添加多条边，g.add_edges([src1, src2, …], [dst1, dst2, …])。

# A few more with a paired list
src = list(range(5, 8)); dst = [0]*3
g.add_edges(src, dst)
# finish with a pair of tensors
src = th.tensor([8, 9]); dst = th.tensor([0, 0])
g.add_edges(src, dst)

iii）一次添加多条指向某个节点的边，g.add_edges([src1, src2, …], dst)。

# Edge broadcasting will do star graph in one go!
g = dgl.DGLGraph()
g.add_nodes(10)
src = th.tensor(list(range(1, 10)));
g.add_edges(src, 0)

为点分配特征

1）可以一次性为所有点分配特征。

import torch as th

x = th.randn(10, 3)
g.ndata['x'] = x

2）也可以对某些点单独分配特征。

g.ndata['x'][0] = th.zeros(1, 3)
g.ndata['x'][[0, 1, 2]] = th.zeros(3, 3)
g.ndata['x'][th.tensor([0, 1, 2])] = th.randn((3, 3))

为边分配特征

1）可以一次性为所有边分配特征

g.edata['w'] = th.randn(9, 2)

2）也可以对某些边单独分配特征。

# Access edge set with IDs in integer, list, or integer tensor
g.edata['w'][1] = th.randn(1, 2)
g.edata['w'][[0, 1, 2]] = th.zeros(3, 2)
g.edata['w'][th.tensor([0, 1, 2])] = th.zeros(3, 2)

3）还可以按端点来指定要分配特征的边。

# You can get the edge ids by giving endpoints, which are useful for accessing the features.
g.edata['w'][g.edge_id(1, 0)] = th.ones(1, 2)                   # edge 1 -> 0
g.edata['w'][g.edge_ids([1, 2, 3], [0, 0, 0])] = th.ones(3, 2)  # edges [1, 2, 3] -> 0
# Use edge broadcasting whenever applicable.
g.edata['w'][g.edge_ids([1, 2, 3], [0, 0, 0])] = th.ones(3, 2)          # edges [1, 2, 3] -> 0

查看点或边特征的shape和dtype

print(g.node_attr_schemes())

删除点或边的特征

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

多重图（multigraphs）

DGLGraph默认支持多重图，即两个节点间允许有多条平行边。

1）添加平行边只需要再原有图上再执行add_edge(src, dst)即可。

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

2）访问平行边需要通过edge_id

原文使用的是‘_, _, eid_10 = g_multi.edge_id(1, 0, return_uv=True)’，运行时会报错，我尝试改为’eid_10 = g_multi.edge_ids(1, 0)’，可以运行（注意有个s）。
另外，修改平行边的特征，使用’g_multi.edata[‘w’][g_multi.edge_ids(1, 0)] = th.ones(len(eid_10), 2)'也可。

# _, _, eid_10 = g_multi.edge_ids(1, 0, return_uv=True)
eid_10 = g_multi.edge_ids(1, 0)
g_multi.edges[eid_10].data['w'] = th.ones(len(eid_10), 2)
# g_multi.edata['w'][g_multi.edge_ids(1, 0)] = th.ones(len(eid_10), 2)
print(g_multi.edata['w'])