Stellargraph Python (Wie es für Entwickler funktioniert)

Einführung

Was kommt der Superkraft Hellsehen in der Realität am nächsten? Es ist die Fähigkeit, Vorhersagen basierend auf in Grafiken strukturierten Daten zu machen. Im Kern geht es darum, Informationen als Knoten und Kanten zu interpretieren, wobei die Beziehungen und Interaktionen innerhalb des Graphen wertvolle Einblicke bieten. Im Gegensatz zu traditionellen Methoden, die sich auf tabellarische oder sequenzielle Datenrepräsentationen konzentrieren, nutzen Graph-Machine-Learning-Workflows diese Verbindungen, um verborgene Muster aufzudecken.

Deshalb wurden graphenfaltungskonvolutionale neuronale Netzwerke (GCNs) und graphenaufmerksamkeitsbasierte Methoden für Graphdaten angepasst, wodurch maschinelle Lernmodelle in die Lage versetzt werden, Aufgaben wie Knotenklassifizierung, Sequenzvorhersage, Linkvorhersage und Graphkategorisierung zu bewältigen. Diese Techniken sind besonders vorteilhaft in Bereichen, die ein nuanciertes Verständnis komplexer Beziehungen erfordern, da sie Systeme in die Lage versetzen, genaue Vorhersagen zu treffen oder tiefgehende Einblicke zu gewinnen, insbesondere in Bereichen wie sozialen Netzwerken und Empfehlungssystemen.

In diesem Artikel werden wir Stellargraph verwenden, um ein Diagramm zu erstellen und es dann mit Hilfe von IronPDF in eine PDF-Datei zu konvertieren.

Was ist StellarGraph?

StellarGraph ist eine Python-Bibliothek, die für maschinelles Lernen mit graphstrukturierten Daten entwickelt wurde. Es bietet ein umfassendes Set an Tools zum Erstellen, Bearbeiten und Visualisieren von Graphen. Zusätzlich bietet StellarGraph fortschrittliche Graf-basierte Machine-Learning-Algorithmen, die speziell für das Lernen aus und die Analyse komplexer Grafikdaten entwickelt wurden, einschließlich der Vervollständigung von Wissensgraphen.

StellarGraph unterstützt Aufgaben wie Knotenklassifikation, Link-Prognose und Graphenklassifikation durch die Implementierung von Modellen wie Graph Convolutional Networks und Graph Attention Networks.

Es ist auch in mehrere beliebte graphische maschinelle Lern-Workflows wie TensorFlow und Keras integriert, was es zu einer guten Lösung für die Analyse und das Finden von Erkenntnissen aus komplexen Netzwerken in den meisten Bereichen wie sozialen Netzwerken, Bioinformatik und Empfehlungssystemen macht.

Wesentliche Merkmale

• Optimierter Graph-Machine-Learning-Workflow: StellarGraph vereinfacht die Graph-Machine-Learning-Pipeline und leitet Benutzer von der Datenladung bis zur Berechnung von Einbettungsvektoren und neuronalen Vorhersagen. Es unterstützt verschiedene graphkonvolutionale Techniken, einschließlich Deep Graph CNN und Inductive Graph Convolutional Networks, um Knoteneigenschaften zu verbessern und eine leistungsstarke Knotenklassifikation zu ermöglichen.
• Erweiterte Techniken und Modelle: Die Bibliothek enthält ausgeklügelte Modelle wie ein Sequence Graph Attention Network und Temporale GCNs, die entwickelt wurden, um räumlich-zeitliche Daten und Sequenzvorhersagen effektiv zu verarbeiten. Diese Modelle verbessern die Vorhersagegenauigkeit und Relevanz, indem sie zeitliche Knoteneigenschaften und heterogene gerichtete Kantengewichte nutzen.
• Umfassende Dokumentation und lokale Demos: StellarGraph bietet umfangreiche Artikel zur Dokumentation des Algorithmus und Demo-Notebooks, die lokal ausgeführt werden können und praktische Einblicke in die Implementierung zahlreicher Algorithmen geben. Diese Ressourcen ermöglichen ein tieferes Verständnis von graphenbasiertem maschinellen Lernen und dessen Anwendungen.

Erste Schritte mit StellaGraph

Um einen Graphen mit StellarGraph zu erzeugen, werden Sie durch die Installation der Bibliotheken, die Erstellung des Graphen, die Definition von Knoten- und Kantenmerkmalen und schließlich die Einrichtung eines Machine-Learning-Modells geführt. Hier ist eine Schritt-für-Schritt-Anleitung, um Ihnen den Einstieg zu erleichtern:

Installation von StellaGraph und anderen relevanten Bibliotheken

Zuerst sollten Sie sicherstellen, dass die folgenden Bibliotheken korrekt installiert sind. Unten finden Sie auch die Befehle, die zur Installation verwendet werden, falls Sie dies noch nicht getan haben:

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

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

Verwendung von StellaGraph in Python

Ein einfaches Beispiel zur Definition eines Graphen, Hinzufügen von Kanten- und Knoteneigenschaften mit Hilfe der zahlreichen Algorithmen, die in Stellargraph enthalten sind:

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

Das gezeigte Beispiel veranschaulicht, wie man einen Graphen erstellt und seine einfache Visualisierung mithilfe der StellarGraph-Bibliothek in Verbindung mit den Matplotlib- und Networkx-Bibliotheken durchführt. Das Beispiel beginnt mit dem Import der notwendigen Bibliotheken: pandas, Numpy zur Datenverarbeitung; StellarGraph zum Erstellen der Graphstruktur selbst; und Matplotlib und Networkx für die Visualisierung.

Zuerst werden Grafikdaten abgetastet. In diesem Beispiel haben wir die Nodes-DataFrame mit zufälligen Merkmalswerten für fünf Knoten mit den Bezeichnungen node0 bis node4. Die Edges-DataFrame beschreibt Kanten; Es enthält Quell-Ziel-Paare, die die verbundenen Knoten beschreiben.

Dann wird eine Instanz der StellarGraph-Klasse mit den Knoten- und Kantendaten erstellt, die diese Datenstruktur im Graphen speichert.

Schließlich visualisiert es diesen Graphen. Es bietet eine Funktion zur Berechnung eines kreisförmigen Layouts für die Platzierung von Knoten, bei der jeder Knoten gemäß polarer Koordinaten platziert wird. Die Networkx-Bibliothek wandelt dieses StellarGraph-Objekt dann in einen Networkx-Graphen um, der anschließend von Matplotlib geplottet wird. Die Knoten sind hellblau, die Kanten sind grau, der Graph ist beschriftet und schließlich bezüglich Größe und Schriftart angepasst. Schließlich wird der Plot als Bilddatei mit dem Namen graph.png gespeichert, und das Zeichenfenster wird geschlossen.

Ausgabe

Dieser Arbeitsablauf ermöglicht die Erstellung, das Repräsentationslernen und die Visualisierung eines Graphen. Dies macht es viel einfacher, Analysen durchzuführen und Daten zu präsentieren, die auf Grafiken basieren.

Einführung in IronPDF

Das IronPDF für Python-Modul ermöglicht die programmgesteuerte Erstellung und Bearbeitung von PDFs. Sie können PDFs aus HTML generieren, mehrere PDF-Dateien zu einer zusammenführen und sogar vorhandene PDFs verwenden, die mit Text, Fotos und Anmerkungen versehen sind. Im Gegensatz dazu ermöglicht IronPDF die Erstellung qualitativ hochwertiger PDFs von jeder Website, die in HTML geschrieben ist, oder anderen Internetinhalten, die bei der Erstellung von Berichten, Rechnungen oder anderen zuvor formatierten Dokumenten erzeugt wurden.

Einige seiner fortgeschrittenen Funktionen sind die Bearbeitung des Seitenlayouts, die Dokumentenverschlüsselung, die Extraktion von Inhalten aus einem PDF und vieles mehr. Die Verbesserung der Art und Weise, wie Ihre Produkte mit PDFs umgehen, wird Entwickler in die Lage versetzen, ihren Gesamtnutzen zu steigern.

Installieren der IronPDF-Bibliothek

Im Folgenden finden Sie den Paketinstallationsbefehl, der es Python ermöglicht, IronPDF in Ihren Projekten zu verwenden:

pip install ironpdf

pip install ironpdf

Kombinieren Sie Stellargraph mit IronPDF

Unten finden Sie den Code, um ein PDF aus dem von Stellargraph erstellten Grafikbild zu generieren.

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

Dies ist ein Code-Snippet für die Erstellung und Visualisierung eines Graphen mit der StellarGraph-Bibliothek, um dann die gezeichnete Visualisierung mithilfe von IronPDF in ein PDF zu verwandeln. Es beginnt mit dem Import der notwendigen Bibliotheken und dem Setzen eines IronPDF-Lizenzschlüssels. Die Beispiel-Grafikdaten werden mit zufälligen Merkmalen für Knoten und festgelegte Kanten erzeugt. Mit diesen Daten wird das StellarGraph-Objekt erstellt. Die NetworkX-Bibliothek visualisiert den Graphen in einer kreisförmigen Anordnung und speichert ihn als PNG-Bild. Anschließend wird dieses PNG-Bild von dem ImageToPdfConverter von IronPDF in ein PDF-Dokument umgewandelt.

Ausgabe

Lizenzvergabe

Ein Lizenzschlüssel ist erforderlich, damit der Code ohne Wasserzeichen funktioniert. Sie können sich für eine kostenlose Testlizenz unter diesem Link registrieren. Beachten Sie, dass wir uns registrieren können, ohne unsere Identität preisgeben zu müssen. Wir müssen nur Ihre E-Mail-Adresse eingeben, um sich anzumelden und die kostenlose Testversion zu erhalten.

Schlussfolgerung

Die Integration von StellarGraph mit IronPDF eröffnet einen fortschrittlichen und leistungsstarken Weg zur Datenbewertung und Dokumentenverarbeitung. StellarGraph wird leistungsstarke Graph-Maschinenlerntechniken für die Analyse von vernetzten Daten bereitstellen, und IronPDF wird vollständige Werkzeuge zum Bearbeiten und Manipulieren von PDF-Dokumenten anbieten. Die Interaktion dieser Elemente ermöglicht es Ihnen, aussagekräftige Erkenntnisse aus komplizierten Datenstrukturen innerhalb eines PDF-Dokuments zu extrahieren.

Ihre Kombination befähigt Unternehmen, die Leistungsfähigkeit der grafischen Analytik mit anspruchsvoller Dokumentenverarbeitung zu vereinen und so einen wesentlich effizienteren und aussagekräftigeren Datenverarbeitungs-Workflow zu etablieren. Diese Integration hat einen weiteren großen Schritt zur vollständigen Ausnutzung der im PDF-Format enthaltenen Daten gemacht und neue Wege der Innovation und Optimierung in ganz unterschiedlichen Bereichen eröffnet. Iron Software ermöglicht es auch, Apps auf vielen Plattformen und Betriebssystemen wie Windows, Android, MAC und Linux zu erstellen, unter anderem durch die Verwendung vieler Bibliotheken.