基于Pytorch Geometric 的图数据构建

1. Tensor张量

1.1 定义

• Tensor是PyTorch中重要的数据结构，可认为是一个N维数组（array）。Pytorch中大量的计算是通过Tensor格式进行的。
• 张量分为 n阶（维）张量，与空间维度无关，说明的是数组的维度。
  
  
• 常见的2阶Tensor和3阶Tensor即 2维 和 3维 数组。eg：

>>>torch.zeros(2, 3)
tensor([[0., 0., 0.],
        [0., 0., 0.]])

参考链接1：https://www.jianshu.com/p/314b6cfce1c3
参考链接2：https://zhuanlan.zhihu.com/p/48982978

1.2 Dataframe 和 array

• 尽量避免使用 df 类型数据，该数据难以索引和进行进一步操作。
• 灵活使用 数据类型转换的方法，np.array(df)将 df 转为 array数组。
• 使用 np.reshape()改变数组维度（升维/降维），使用 np.flatten()展成1维数组。

2. 图数据构建

节点和节点之间的边构成了图。在PyTorch Geometric中，如果要构建图，那么需要两个要素：节点和边。
PyTorch Geometric 提供了torch_geometric.data.Data 用于构建图，包括 5 个属性，每一个属性都不是必须的，可以为空。

• data.x: 用于存储每个节点的特征，形状是[num_nodes, num_node_features]。
• data.edge_index: 用于存储节点之间的边，形状是 [2, num_edges]。
• data.pos: 存储节点的坐标，形状是[num_nodes, num_dimensions]。
• data.y: 存储样本标签。如果是每个节点都有标签，那么形状是[num_nodes, *]；如果是整张图只有一个标签，那么形状是[1, *]。
• data.edge_attr: 存储边的特征。形状是[num_edges, num_edge_features]。

实际上，Data对象不仅仅限制于这些属性，我们可以通过 data.face 来扩展Data，以 张量(tensor) 保存三维网格中三角形的连接关系。
还可以添加其他的属性，如下所示:

data = Data(x=x, edge_index=edge_index)
data.train_idx = torch.tensor([...], dtype=torch.long)
data.train_mask = torch.tensor([...], dtype=torch.bool)
data.test_mask = torch.tensor([...], dtype=torch.bool)

参考链接：https://blog.csdn.net/DSTJWJW/article/details/108961992