Stellargraph Python (Geliştiriciler İçin Nasıl Çalışir)

StellarGraph Nedir?

StellarGraph graf yapısal verilerle makine öğrenimi için tasarlanmış bir Python kutuphanesidir. Grafikler oluşturmak, manipüle etmek ve görselleştirmek için kapsamlı bir araç seti sağlar. Ayrıca, StellarGraph, karmaşık grafik verilerden öğrenmek ve incelemek için uyarlanmış ileri grafik tabanlı makine öğrenimi algoritmaları sunar; bu da bilgi grafiği tamamlamayı içerir.

StellarGraph, Düğüm Sınıflandırması, Bağlantı Tahmini ve Grafik Sınıflandırması gibi görevleri, Grafik Konvolüsyonel Ağlar ve Grafik Dikkat Ağları gibi modellerin uygulanmasıyla destekler.

Ayrıca, sosyal ağlar, biyoinformatik ve öneri sistemleri gibi birçok alanda karmaşık ağlardan içgörüler bulmada iyi bir çözüm olan, TensorFlow ve Keras gibi popüler grafik makine öğrenimi işlemlerine entegredir.

StellarGraph ile Başlarken

StellarGraph kullanarak grafik oluşturmak için kütüphanelerin kurulumuna, grafiğin oluşturulmasına, düğüm ve kenar özelliklerinin tanımlanmasına ve sonunda makine öğrenimi modelinin kurulmasına yönelik rehberlik edilecektir. İşte başlamanız için adım adım bir kılavuz:

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

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

Python'da StellarGraph Kullanımı

StellarGraph'te bulunan sayısız algoritmanın yardımıyla bir grafiği tanımlamanın, kenar ve düğüm özellikleri eklemenin basit bir örneği:

import pandas as pd
import numpy as np
from stellargraph import StellarGraph
import matplotlib.pyplot as plt
import networkx as nx

# Step 1: Create Sample Graph Data
# Generating random feature values for 5 nodes
nodes = pd.DataFrame({
    "feature1": np.random.randn(5),
    "feature2": np.random.randn(5)
}, index=[f"node{i}" for i in range(5)])

# Defining edges in the graph
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))

# Compute positions for each node in a circular layout
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)

# Add a title for the graph
plt.title('StellarGraph Visualization')

# Save the visualization as an image
plt.savefig('graph.png')
plt.close()

import pandas as pd
import numpy as np
from stellargraph import StellarGraph
import matplotlib.pyplot as plt
import networkx as nx

# Step 1: Create Sample Graph Data
# Generating random feature values for 5 nodes
nodes = pd.DataFrame({
    "feature1": np.random.randn(5),
    "feature2": np.random.randn(5)
}, index=[f"node{i}" for i in range(5)])

# Defining edges in the graph
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))

# Compute positions for each node in a circular layout
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)

# Add a title for the graph
plt.title('StellarGraph Visualization')

# Save the visualization as an image
plt.savefig('graph.png')
plt.close()

Gösterilen örnek, StellarGraph kütüphanesi ile birlikte Matplotlib ve NetworkX kütüphanelerini kullanarak bir grafiği nasıl inşa edileceğini ve basit bir görselleştirme yapılacağını gösterir. Örnek, verileri işlemek için gerekli kütüphanelerin: pandas ve Numpy; grafik yapısını oluşturmak için StellarGraph; ve görselleştirme için Matplotlib ve NetworkX kütüphanelerinin ithal edilmesiyle başlar.

Öncelikle, örnek grafik verileri üretilir. Bu örnekte, node0'dan node4'e kadar kimliklere sahip beş düğüm için rastgele özellik değerlerine sahip düğümler DataFrame'ine sahibiz. Kenarlar DataFrame'i kenarları tanımlar; bağlı düğümleri tanımlayan kaynak-hedef çiftlerini içerir.

Daha sonra, StellarGraph sınıfının bir örneği düğüm ve kenar verileri ile oluşturulur, bu veriyi grafikte depolanan bu yapıyı saklar.

Sonunda, bu grafik görselleştirilir. Düğümlerin polar koordinatlarına göre yerleştirildiği yuvarlak bir düzen hesaplamak için bir fonksiyon sağlar. Daha sonra NetworkX kütüphanesi, bu StellarGraph nesnesini bir NetworkX grafiğine dönüştürür ve Matplotlib tarafından çizilir. Düğümler açık mavidir, kenarlar gridir, grafik etiketlenmiş ve son olarak boyut ve yazı tipi bakımından özelleştirilmiştir. Son olarak, grafik, graph.png adlı bir resim dosyası olarak kaydedilir ve çizim penceresi kapatılır.

IronPDF'i Tanıtma

IronPDF for Python modülü, PDF'lerin programlamalı olarak oluşturulmasını ve düzenlenmesini sağlar. PDF'leri HTML'den oluşturabilir, birden fazla PDF dosyasını birleştirebilir ve metin, fotoğraflar ve ek açıklamalar eklenmiş mevcut PDF'leri kullanabilirsiniz. Buna karşılık, IronPDF raporlar, faturalar veya daha önce stillendirilmiş belgeler oluştururken HTML ile yazılmış veya Internet içeriği üretilmiş herhangi bir web sitesinden kaliteli PDF'ler üretmesini sağlar.

Bazı gelişmiş özellikleri sayfa düzeni düzenleme, belge şifreleme, PDF'den içerik çıkarımı ve daha fazlasıdır. Ürünlerinizin PDF'lerle nasıl başa çıktığını geliştirmek, geliştiricileri genel faydayı artıracak bir yere konumlandıracaktır.

pip install ironpdf

pip install ironpdf

StellarGraph'i IronPDF ile Birleştirmek

Aşağıda StellarGraph tarafından oluşturulan grafik görüntüsünden bir PDF oluşturmak için kullanılan kod yer almaktadır.

import pandas as pd
import numpy as np
from stellargraph import StellarGraph
import matplotlib.pyplot as plt
import networkx as nx
from ironpdf import ImageToPdfConverter, License

import warnings
warnings.filterwarnings('ignore')

# Replace "YOUR LICENSE KEY GOES HERE" with your IronPDF 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
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())}

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')
plt.close()

# Step 4: Convert the image to PDF using IronPDF
ImageToPdfConverter.ImageToPdf('graph.png').SaveAs("result.pdf")

import pandas as pd
import numpy as np
from stellargraph import StellarGraph
import matplotlib.pyplot as plt
import networkx as nx
from ironpdf import ImageToPdfConverter, License

import warnings
warnings.filterwarnings('ignore')

# Replace "YOUR LICENSE KEY GOES HERE" with your IronPDF 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
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())}

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')
plt.close()

# Step 4: Convert the image to PDF using IronPDF
ImageToPdfConverter.ImageToPdf('graph.png').SaveAs("result.pdf")

Bu, StellarGraph kütüphanesinden grafğin oluşturulması ve görselleştirilmesi için bir kod örneğidir, ardından çizilen görselleştirmeyi IronPDF kullanarak bir PDF'ye dönüştürür. Gerekli kütüphanelerin ithal edilmesi ve bir IronPDF lisans anahtarının ayarlanmasıyla başlar. Örnek grafik verileri, düğümler için rastgele özelliklerle ve belirtilen kenarlarla üretilir. Bu veriler kullanılarak StellarGraph nesnesi oluşturulur. NetworkX kütüphanesi grafiği dairesel bir düzenle görselleştirir ve bir PNG görüntüsü olarak kaydeder. Ardından, bu PNG görüntüsü IronPDF'nin ImageToPdfConverter tarafından bir PDF belgesine dönüştürülür.

Lisanslama

Kodun filigran olmadan çalışabilmesi için bir lisans anahtarı gereklidir. Ücretsiz deneme lisansı için bu linkten kayıt olabilirsiniz. Kimliğimizi açıklamaya gerek kalmadan bir kayıt yaptırabileceğimizi unutmayın. E-posta adresinizi girerek kaydolabilir ve ücretsiz deneme sürümünü edinebilirsiniz.

Sonuç

StellarGraph'in IronPDF entegrasyonu, verileri değerlendirmek ve belgeleri işlemek için gelişmiş ve güçlü bir yol açar. StellarGraph, bağlantılı verilerin analizi için güçlü grafik makine öğrenme tekniklerine katkıda bulunacak ve IronPDF, PDF belgelerini işlemek ve manipüle etmek için eksiksiz araçlar sunacaktır. Bu ikisinin etkileşimi sizin, PDF belgesi içerisindeki karmaşık veri yapılarından anlamlı insiyatifler çıkarmanıza olanak tanıyacaktır.

Bu kombinasyon, işletmeleri grafik tabanlı analitiklerin gücünü gelişmiş belge işleme ile birleştirerek, çok daha verimli ve kavrayışlı bir veri işleme iş akışı oluşturma olanağı tanır. Bu entegrasyon, PDF formatında yer alan verilerin tam olarak kullanımı yönünde başka bir büyük adım atmış ve oldukça farklı alanlarda yenilik ve optimizasyon yeni yollar açmıştır. Iron Software ayrıca Windows, Android, MAC ve Linux gibi birçok platform ve işletim sisteminde uygulamalar oluşturmayı mümkün kılar, bunlar arasında birçok kütüphane kullanarak.