Stellargraph Python（开发者如何使用）

介绍

在现实中，最接近超能力的千里眼是什么？ 这是一种基于图形结构的数据进行预测的能力。其核心是将信息解释为节点和边，其中图内的关系和互动提供了有价值的见解。 与传统方法专注于表格式或顺序数据表示不同，图机器学习工作流程利用这些连接来发现隐藏的模式。

这就是图卷积神经网络（GCNs）和基于图注意力的方法被适用于图数据的原因，使得机器学习模型能够处理节点分类、序列预测、链接预测和图分类等任务。 这些技术在需要细致理解复杂关系的领域中尤其有益，使系统能够做出准确预测或得出深刻见解，特别是在社交网络和推荐系统等领域。

在本文中，我们将使用Stellargraph生成一个图，然后借助IronPDF将其转换为PDF文件。

StellarGraph是什么？

StellarGraph 是一个用于图结构数据机器学习的 Python 库。 它提供了一套用于创建、操作和可视化图形的全面工具。此外，StellarGraph 提供了先进的基于图形的机器学习算法，专为从复杂图形数据中学习和分析而设计，包括知识图谱补全。

StellarGraph通过其实现的模型，如图卷积网络和图注意力网络，支持节点分类、链接预测和图分类等任务。

它还集成了几个流行的图机器学习工作流程，如TensorFlow和Keras，使其成为分析和从复杂网络中发现见解的良好解决方案，适用于大多数领域，如社交网络、生物信息学和推荐系统。

主要功能

• 流线型图形机器学习工作流程：StellarGraph 简化了图形机器学习流程，指导用户从数据加载到嵌入向量计算和神经预测。 它支持多种图卷积技术，包括深度图卷积神经网络（Deep Graph CNN）和归纳图卷积网络（Inductive Graph Convolutional Networks），以增强节点特征并实现强大的节点分类。
• 高级技术和模型：该库包括复杂的模型，如序列图注意网络和时间图卷积网络（GCN），旨在有效处理时空数据和序列预测。 这些模型通过利用时间节点属性和异质有向边权重来提高预测的准确性和相关性。
• 全面的文档和本地演示：StellarGraph 提供了关于算法的广泛文档文章和可以在本地运行的演示笔记本，提供了对众多算法实现的实用见解。 这些资源促进了对基于图的机器学习及其应用的深入理解。

StellaGraph 入门

要使用StellarGraph生成图形，您将被引导完成库的安装、图形的创建、节点和边缘特征的定义，最后是机器学习模型的设置。 以下是入门的分步指南：

安装 StellaGraph 和其他相关库

首先，您需要确保以下库已正确安装，下面还显示了用于安装这些库的命令，如果您尚未安装：

pip install stellargraph 
pip install tensorflow 
pip install pandas 
pip install numpy

pip install stellargraph 
pip install tensorflow 
pip install pandas 
pip install numpy

在 Python 中使用 StellaGraph

一个简单的示例，定义图形，使用Stellargraph中包含的众多算法添加边缘和节点特征：

import pandas as pd
import numpy as np
from stellargraph import StellarGraph
from stellargraph.layer import GCN
from stellargraph.mapper import FullBatchNodeGenerator
import matplotlib.pyplot as plt
import networkx as nx
# Step 1: Create Sample Graph Data
nodes = pd.DataFrame({
    "feature1": np.random.randn(5),
    "feature2": np.random.randn(5)
}, index=[f"node{i}" for i in range(5)])
# Loading data
edges = pd.DataFrame({
    "source": ["node0", "node1", "node2", "node3"],
    "target": ["node1", "node2", "node3", "node4"]
})
# Step 2: Create StellarGraph Object
G = StellarGraph(nodes=nodes, edges=edges)
# Step 3: Define and Visualize the Graph
# Plot the graph
fig, ax = plt.subplots(figsize=(8, 6))
pos = {node: (np.cos(2 * np.pi * i / len(G.nodes())), np.sin(2 * np.pi * i / len(G.nodes())))
       for i, node in enumerate(G.nodes())}
#computing embedding vectors for nodes and edges
nx.draw(G.to_networkx(), pos, with_labels=True, node_color='lightblue', edge_color='grey', node_size=500, font_size=10, ax=ax)
plt.title('StellarGraph Visualization')
plt.savefig('graph.png')  # Save the visualization as an image
plt.close()

py

所示示例说明了如何使用StellarGraph库结合Matplotlib和Networkx库构建图形及其简单可视化。 该示例首先导入必要的库：用于处理数据的pandas和Numpy； StellarGraph用于创建图形结构本身； 以及用于可视化的Matplotlib和Networkx。

首先，对图数据进行采样。 在此示例中，我们有一个nodes DataFrame，其中包含节点标识符node0到node4的五个节点的随机特征值。edges DataFrame描述了边； 它包含描述已连接节点的源目标对。

然后，创建一个StellarGraph类的实例，其中包含节点和边的数据，该实例将这些存储在图中的数据结构化存储。

最后，它将此图表可视化。 它提供了一个函数来计算节点放置的圆形布局，其中每个节点根据极坐标进行放置。 然后，Networkx库将这个StellarGraph对象转换为Networkx图，然后由Matplotlib绘制。 节点是浅蓝色的，边是灰色的，图表带有标签，最后在大小和字体方面进行了自定义。 最后，图被保存为名为graph.png的图像文件，随后绘图窗口关闭。

输出

此工作流程允许图的创建、表示学习和可视化。 这使得基于图表的分析和数据呈现变得更加容易。

介绍IronPDF

IronPDF for Python 模块允许以编程方式创建和编辑PDF。 您将能够从HTML生成PDF，合并多个PDF文件为一个，甚至可以利用现有的PDF，这些PDF已添加文本、照片和注释。 相比之下，IronPDF 能够从任何用 HTML 编写的网站或其他在生成报告、发票或其他已设定样式的文档时生成的互联网内容中制作高质量的 PDF。

其一些高级功能包括页面布局编辑、文档加密、从PDF中提取内容等。 改进产品处理PDF的方式将使开发人员更好地提升其整体实用性。

安装 IronPDF 库

以下是允许Python在项目中使用IronPDF的包安装命令：

pip install ironpdf

pip install ironpdf

将Stellargraph与IronPDF结合

以下是从Stellargraph创建的图像生成PDF的代码。

import pandas as pd
import numpy as np
from stellargraph import StellarGraph
from stellargraph.layer import GCN
from stellargraph.mapper import FullBatchNodeGenerator
import matplotlib.pyplot as plt
import networkx as nx
from ironpdf import *     import warnings
warnings.filterwarnings('ignore')
# Ensure that you have replaces the string with your own license key
License.LicenseKey = "YOUR LICENSE KEY GOES HERE";
# Step 1: Create Sample Graph Data
nodes = pd.DataFrame({
    "feature1": np.random.randn(5),
    "feature2": np.random.randn(5)
}, index=[f"node{i}" for i in range(5)])
edges = pd.DataFrame({
    "source": ["node0", "node1", "node2", "node3"],
    "target": ["node1", "node2", "node3", "node4"]
})
# Step 2: Create StellarGraph Object
G = StellarGraph(nodes=nodes, edges=edges)
# Step 3: Define and Visualize the Graph
# Plot the graph
fig, ax = plt.subplots(figsize=(8, 6))
pos = {node: (np.cos(2 * np.pi * i / len(G.nodes())), np.sin(2 * np.pi * i / len(G.nodes())))
            for i, node in enumerate(G.nodes())}
# Draw the graph using NetworkX
nx.draw(G.to_networkx(), pos, with_labels=True, node_color='lightblue', edge_color='grey', node_size=500, font_size=10, ax=ax)
plt.title('StellarGraph Visualization')
# Save the visualization as an image
plt.savefig('graph.png')
plt.close()
# Step 4: Convert the image to PDF using IronPDF
ImageToPdfConverter.ImageToPdf('graph.png').SaveAs("result.pdf")

py

这是一个代码片段，演示如何通过StellarGraph库创建和可视化图形，然后使用IronPDF将绘制的可视化图形转换为PDF。 首先导入必要的库并设置IronPDF许可证密钥。 示例图数据是通过为节点生成随机特征和指定边生成的。 使用这些数据，创建StellarGraph对象。 NetworkX库以圆形布局可视化图形并将其保存为PNG图像。 随后，此 PNG 图像通过 IronPDF 的ImageToPdfConverter 转换为 PDF 文档。

输出

许可

需要许可密钥以使代码在没有水印的情况下工作。 您可以通过此链接注册免费试用许可证。 请注意，我们可以在不披露身份的情况下注册。 我们只需要输入您的电子邮件地址即可注册并获得免费试用版。

结论

将StellarGraph与IronPDF集成，开辟了一条先进而强大的途径来评估数据和处理文档。 StellarGraph将为分析互联数据贡献强大的图机器学习技术，而IronPDF将提供完整的工具来处理和操作PDF文档。 这些交互将使您能够从PDF文档中的复杂数据结构中提取有意义的见解。

它们的结合使企业能够将基于图形的分析能力与复杂的文档处理相融合，从而建立更高效、更深入的数据处理工作流程。 这一集成在充分利用PDF格式所包含的数据方面又迈出了一大步，并在相当不同的领域开启了创新和优化的新路径。 Iron Software 还可以通过使用许多库在多个平台和操作系统上，例如 Windows、Android、MAC 和 Linux 等，创建应用程序。