Stellargraph Python (Wie es für Entwickler funktioniert)

Was ist StellarGraph?

StellarGraph ist eine Python-Bibliothek, die für maschinelles Lernen mit graphstrukturierten Daten konzipiert wurde. Sie bietet eine umfassende Sammlung von Werkzeugen zum Erstellen, Bearbeiten und Visualisieren von Graphen. Zusätzlich bietet StellarGraph fortschrittliche graphbasierte maschinelle Lernalgorithmen, die auf das Lernen von und die Analyse komplexer Graphendaten abgestimmt sind, einschließlich der Vervollständigung von Wissensgraphen.

StellarGraph unterstützt Aufgaben wie Knotenklassifizierung, Link-Prädiktion und Graphklassifizierung durch die Implementierung von Modellen wie Graph Convolutional Networks und Graph Attention Networks.

Es ist auch in mehrere beliebte Workflows des maschinellen Lernens für Graphen integriert, wie TensorFlow und Keras, wodurch es eine gute Lösung für die Analyse und das Auffinden von Einsichten aus komplexen Netzwerken in meisten Bereichen wie sozialen Netzwerken, Bioinformatik und Empfehlungssystemen darstellt.

Erste Schritte mit StellarGraph

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 maschinellen Lernmodells geführt. Hier ist eine Schritt-für-Schritt-Anleitung:

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 StellarGraph in Python

Ein einfaches Beispiel zum Definieren eines Graphen, Hinzufügen von Kanten- und Knotenmerkmalen mit Hilfe der zahlreichen Algorithmen, die in StellarGraph enthalten sind:

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()

Das gezeigte Beispiel veranschaulicht, wie ein Graph erstellt wird und seine einfache Visualisierung unter Verwendung der StellarGraph-Bibliothek in Verbindung mit den Bibliotheken Matplotlib und NetworkX erfolgt. Das Beispiel beginnt mit dem Import der benötigten Bibliotheken: pandas und Numpy zur Handhabung von Daten; StellarGraph um die Graphstruktur selbst zu erstellen; und Matplotlib und NetworkX zur Visualisierung.

Zuerst werden Beispieldaten für den Graphen erstellt. In diesem Beispiel haben wir die Knoten-Dataframe mit zufälligen Merkmalswerten für fünf Knoten mit den Kennungen Knoten0 bis Knoten4. Die Kanten-Dataframe beschreibt die Kanten; sie 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 wird dieser Graph visualisiert. Es bietet eine Funktion zur Berechnung eines kreisförmigen Layouts für die Platzierung von Knoten, wobei jeder Knoten gemäß den Polarkoordinaten platziert wird. Die NetworkX-Bibliothek konvertiert dieses StellarGraph-Objekt dann in einen NetworkX-Graphen, der dann von Matplotlib geplottet wird. Die Knoten sind hellblau, die Kanten grau, der Graph ist beschriftet und schließlich in Bezug auf Größe und Schriftart angepasst. Abschließend wird die Grafik als Bilddatei mit dem Namen graph.png gespeichert und das Plotfenster geschlossen.

Einführung in IronPDF

Das IronPDF für Python-Modul ermöglicht die programmgesteuerte Erstellung und Bearbeitung von PDFs. Sie werden in der Lage sein, PDFs aus HTML zu generieren, mehrere PDF-Dateien in eine zu verschmelzen und sogar bestehende PDFs zu verwenden, die Texte, Fotos und Anmerkungen hinzugefügt haben. Im Gegensatz dazu ermöglicht IronPDF die Produktion von hochwertigen PDFs von jeder Website, die in HTML oder anderen Internetinhalten geschrieben wurde, die bei der Erstellung von Berichten, Rechnungen oder anderen zuvor gestalteten Dokumenten erzeugt wurden.

Einige ihrer erweiterten Funktionen sind das Bearbeiten des Seitenlayouts, die Dokumentenverschlüsselung, das Extrahieren von Inhalten aus einem PDF und vieles mehr. Die Verbesserung, wie Ihre Produkte mit PDFs umgehen, wird Entwickler in die Lage versetzen, deren Gesamtnutzen zu verbessern.

pip install ironpdf

pip install ironpdf

Kombinieren von StellarGraph mit IronPDF

Nachfolgend sehen Sie den Code, um ein PDF aus dem von StellarGraph erstellten Graphenbild zu erzeugen.

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")

Dies ist ein Code-Snippet zur Erstellung und Visualisierung eines Graphen mit der StellarGraph-Bibliothek und anschließend zur Umwandlung der gezeichneten Visualisierung in ein PDF mit IronPDF. Es beginnt mit dem Import der notwendigen Bibliotheken und dem Setzen eines IronPDF-Lizenzschlüssels. Die Beispieldaten für den Graphen werden mit zufälligen Merkmalen für Knoten und spezifischen Kanten generiert. Mit diesen Daten wird das StellarGraph-Objekt erstellt. Die NetworkX-Bibliothek visualisiert den Graphen in einem kreisförmigen Layout und speichert ihn als PNG-Bild. Danach wird dieses PNG-Bild durch den ImageToPdfConverter von IronPDF in ein PDF-Dokument umgewandelt.

Lizenzierung

Ein Lizenzschlüssel ist notwendig, damit der Code ohne Wasserzeichen funktioniert. Sie können sich über diesen Link für eine Testlizenz registrieren. Beachten Sie, dass wir uns registrieren können, ohne unsere Identität preiszugeben. Wir müssen lediglich Ihre E-Mail-Adresse eingeben, um sich registrieren zu können und die kostenlose Version zu erhalten.

Abschluss

Die Integration von StellarGraph mit IronPDF eröffnet einen fortgeschrittenen und starken Weg, um Daten zu bewerten und Dokumente zu verarbeiten. StellarGraph wird leistungsstarke graph-maschinelle Lerntechniken zur Analyse von vernetzten Daten beisteuern, und IronPDF wird umfassende Tools zum Umgang und Manipulieren von PDF-Dokumenten anbieten. Die Interaktion dieser beiden wird es Ihnen ermöglichen, bedeutungsvolle Erkenntnisse aus komplizierten Datenstrukturen innerhalb eines PDF-Dokuments zu extrahieren.

Ihre Kombination ermöglicht es Unternehmen, die Leistungsfähigkeit der graphbasierten Analytik mit anspruchsvolle Dokumentenverarbeitung zu kombinieren und so einen effizienteren und aufschlussreicheren Datenverarbeitungs-Workflow zu etablieren. Diese Integration hat einen weiteren großen Schritt in Richtung der vollen Nutzung der in PDF-Format eingeschlossenen Daten getan und neue Wege für Innovation und Optimierung in recht unterschiedlichen Bereichen eröffnet. Iron Software ermöglicht auch die Erstellung von Anwendungen auf vielen Plattformen und Betriebssystemen wie Windows, Android, MAC und Linux, unter anderem durch den Einsatz vieler Bibliotheken.