在PyG上构建自己的数据集

PyG构建自己数据集

PyG简介

PyG（PyTorch Geometric）是一个建立在 PyTorch 基础上的库，用于轻松编写和训练图神经网络（GNN），用于与结构化数据相关的广泛应用。

它包括在图和其他不规则结构上进行深度学习的各种方法，也被称为几何深度学习，来自各种已发表的论文。此外，它还包括易于使用的迷你批量加载器（mini-batch loaders），用于在许多小型和单一的巨型图形上操作；多 GPU 支持、大量常见的基准数据集（基于简单的接口来创建你自己的数据集）；以及有用的变换，既可以在任意图形上学习，也可以在 3D 网格或点云上学习。

数据集介绍

本部分用到的也是Cora数据集，但是不是官方版本的数据集，而是非常平易近人的风格，拿来就可以使用，格式如下：
cora.cites

cora.cites文件格式非常简单，就是两列，代表两个具备边关系的节点。
cora.content


cora.content文件内容也很简单，第一列是节点id，最后一列是每个节点的标签，中间的数值是每个节点的特征值。

代码实现

PyG构建数据集，氛围两类，一种是针对小数据集的in_memory_dataset，这种形式可以直接将所用的数据集都加载到内存当中；另一种是针对大数据集的Dataset，这种形式主要是可以对大数据集进行索引，进行batch合并，减少每次内存的数据量。实际业务中，我们大多是用大数据集，因此，就以这个作为例子。

from torch_geometric.data import Dataset, Data
# 定义自己的数据集类
class mydataset(Dataset):
    def __init__(self, root, transform=None, pre_transform=None):
        super(mydataset, self).__init__(root, transform, pre_transform)

    # 原始文件位置
    @property
    def raw_file_names(self):
        return ['cora.content', 'cora.cites']

    # 文件保存位置
    @property
    def processed_file_names(self):
        return 'data.pt'

    def download(self):
        pass

    # 数据处理逻辑
    def process(self):
        idx_features_labels = np.genfromtxt(self.raw_paths[0])
        x = idx_features_labels[:, 1:-1]
        x = torch.tensor(x, dtype=torch.float32)
        y, label_dict = self.encode_labels(np.genfromtxt(self.raw_paths[0], dtype='str', usecols=(-1,)))
        y = torch.tensor(y)
        idx = np.array(idx_features_labels[:, 0], dtype=np.int32)
        id_node = {j: i for i, j in enumerate(idx)}

        edges_unordered = np.genfromtxt(self.raw_paths[1], dtype=np.int32)
        edge_str = [id_node[each[0]] for each in edges_unordered]
        edge_end = [id_node[each[1]] for each in edges_unordered]
        edge_index = torch.tensor([edge_str, edge_end], dtype=torch.long)

        data = Data(x=x, edge_index=edge_index, y=y)

        torch.save(data, os.path.join(self.processed_dir, f'data.pt'))

    def encode_labels(self, labels):
        classes = sorted(list(set(labels)))
        labels_id = [classes.index(i) for i in labels]
        label_dict = {i: c for i, c in enumerate(classes)}
        return labels_id, label_dict

    # 定义总数据长度
    def len(self):
        idx_features_labels = np.genfromtxt(self.raw_paths[0], dtype=np.int32)
        uid = idx_features_labels[:, 0:1]
        return len(uid)

    # 定义获取数据方法
    def get(self, idx):
        data = torch.load(os.path.join(self.processed_dir, f'data.pt'))
        return data
dataset = mydataset('../data/')
data = dataset[0].to(device)

首先，我们定义了自己的一个类，mydataset类，其继承了一个父类-Dataset，这个Dataset类是PyG框架自己定义好的，其中包括数据集下载、数据预处理、数据文件保存、数据检索等等功能，大家可以详细了解一下，我们只对用到的进行解释。

# 原始文件位置
@property
def raw_file_names(self):
    return ['cora.content', 'cora.cites']

raw_file_names:指向自己的文件目录下的文件名，这个可以将你用到的文件按照列表的形式进行展现，如果用cora.content，那就是0，用cora.cites，那就是1；

@property
def processed_file_names(self):
    return 'data.pt'

processed_file_names：指向处理后的数据文件保存文件名称，可以在下次加载数据的时候，直接读取该文件；

def download(self):
    pass

download：该函数是需要去下载数据集的，因为我们是自建数据集，因此，不用；

def process(self):
	#读取cora.content文件
    idx_features_labels = np.genfromtxt(self.raw_paths[0])
    #获取节点特征
    x = idx_features_labels[:, 1:-1]
    #转为tensor，并指定数据类型
    x = torch.tensor(x, dtype=torch.float32)
    #获取每个节点的标签
    y, label_dict = self.encode_labels(np.genfromtxt(self.raw_paths[0], dtype='str', usecols=(-1,)))
    #tensor化
    y = torch.tensor(y)
    #获取每个节点
    idx = np.array(idx_features_labels[:, 0], dtype=np.int32)
    #将每个节点映射为id(从0开始)
    id_node = {j: i for i, j in enumerate(idx)}
	#读取cora.cites
    edges_unordered = np.genfromtxt(self.raw_paths[1], dtype=np.int32)
    #获取每个节点对应的id
    #第一列节点-->id
    edge_str = [id_node[each[0]] for each in edges_unordered]
    #第二列节点-->id
    edge_end = [id_node[each[1]] for each in edges_unordered]
    #将边转为tensor
    edge_index = torch.tensor([edge_str, edge_end], dtype=torch.long)
	#将所有数据加载至Data对象中
    data = Data(x=x, edge_index=edge_index, y=y)
	#保存处理好的图数据，下次可以直接加载
    torch.save(data, os.path.join(self.processed_dir, f'data.pt'))

def encode_labels(self, labels):
    classes = sorted(list(set(labels)))
    labels_id = [classes.index(i) for i in labels]
    label_dict = {i: c for i, c in enumerate(classes)}
    return labels_id, label_dict

process：该函数是处理数据的逻辑函数，大家可以将处理数据的逻辑放在该函数中，主要是节点特征、节点标签、以及边的构成；
self.raw_paths：这个是raw_file_names返回的列表和文件路径拼接之后的结果，就是将文件名扩展为路径+文件名；

# 定义总数据长度
def len(self):
    idx_features_labels = np.genfromtxt(self.raw_paths[0], dtype=np.int32)
    uid = idx_features_labels[:, 0:1]
    return len(uid)

len:获取总数据的长度，为了进行数据分割做准备，可以自己定义；

def get(self, idx):
    data = torch.load(os.path.join(self.processed_dir, f'data.pt'))
    return data

get：制定获取图数据的方式，可以自己定义。

数据输出

我们可以看到，Data是一个包含所有属性的对象。
x:是27081433的矩阵，即2708个节点，每个节点有1433维；
edge_index：是一个25429的矩阵，表示共有5429条边；
y：表示节点的标签，共2708个节点。

数据集划分

我们构建好了自己的数据集格式，但是，进行训练的时候，必须有训练集、验证集和测试集，这块我曾经自己进行实现过，但是，实现起来比较复杂，这个时候发现，原来PyG框架，也把这块给实现了，还是很方便的。

data = T.RandomNodeSplit()(data)

我们可以看一下RandomNodeSplit，顾名思义，就是随机划分节点，是不是很简单，该函数可以自己划分数据集，自己也可以指定每个数据集的比例，替换其中的参数即可。

当我们加载完之后，可以看出Data对象中多出来三个，分别是train_mask、val_mask、test_mask，输出看的话，每个都是2708个，但是不同位置上有不同的bool值，就是为了表示该节点是否是训练集、验证集或者测试集。

结语

整体看下来，是不是对于PyG处理数据集有所了解呢，以上已经经过小编的实际运行啦，大家可以拿来改改，用在自己的开发数据集上。
当然，如果有问题或者需要补充的地方，大家可以随时联系我，QQ:1143948594。