载图

GraphScope 以 属性图 建模图数据。 图上的点/边都带有标签(label),每个标签都可能带有许多属性(property)。

载入内置数据集

GraphScope 内置了一组流行的数据集,以及载入他们的工具函数,帮助用户更容易的上手。

来看一个例子:

from graphscope.dataset import load_ogbn_mag
graph = load_ogbn_mag()

在单机模式下,GraphScope 会将数据文件下载到 ~/.graphscope/dataset,并且会保留以供将来使用。

在 Kubernetes 集群模式下,将数据文件下载到 Pod 的本地存储比较复杂,所以我们提供了一个挂载了 OSS 的数据集桶的一个容器,

在下面的例子里,我们将载入和上面同样的一张图,只不过这次 graphscope 部署在集群中。

import graphscope
from graphscope.dataset import load_ogbn_mag
sess = graphscope.session(cluster_type='k8s', with_dataset=True)
graph = load_ogbn_mag(sess, '/dataset/ogbn_mag_small')

这里,我们首先创建一个会话,然后将数据集桶挂载到 /dataset,此路径相对于 Pod 的本地路径。然后我们将会话作为参数传入,路径 /dataset/ogbn_mag_small 作为第二个参数。 /dataset 是我们通过 with_dataset 的参数指定的挂载路径, ogbn_mag_small 是这个数据集所在的文件夹的名字。

你可以在 https://github.com/alibaba/GraphScope/tree/main/python/graphscope/dataset 找到所有目前支持的数据集,文件中包括详细的介绍和用法。

手动配置图

然而,更常见的情况是用户需要使用自己的数据集,并做一些数据分析的工作。

我们提供了一个函数用来定义一个属性图的模型(schema),并以将属性图载入 GraphScope:

首先,我们创建一个会话,然后在此会话内创建图。

import graphscope
sess = graphscope.session()
# Use `sess = graphscope.session(cluster_type='hosts')` if you are in standalone mode.
graph = sess.g()

Graph 有几个方法来配置:

def add_vertices(self, vertices, label="_", properties=None, vid_field=0):
    pass

def add_edges(self, edges, label="_e", properties=None, src_label=None, dst_label=None, src_field=0, dst_field=1):
    pass

这些方法可以增量的构建一个属性图。

我们将使用 ldbc_sample 里的文件做完此篇教程的示例。你可以在 这里 找到源数据。你可以随时使用 print(graph.schema) 来查看图的模型.

Build Vertex

我们可以向图内添加一个点标签。相关的参数含义如下:

vertices

Loader object,代表数据源,指示 graphscope 可以在哪里找到源数据,可以为文件路径,或者 numpy 数组等;

一个简单的例子:

graph = sess.g()
graph = graph.add_vertices('/home/ldbc_sample/person_0_0.csv')

这将会从文件 /home/ldbc_sample/person_0_0.csv 载入数据,并且创建一个名为 _ 的边,但是有不同的起始点标签和终点标签。

Label

点标签的名字,默认为 _.

一张图中不能含有同名的标签,所以若有两个或以上的标签,用户必须指定标签名字。另外,总是给标签一个有意义的名字也有好处。

可以为任何标识符 (identifier)。

举个例子:

graph = sess.g()
graph = graph.add_vertices('/home/ldbc_sample/person_0_0.csv', label='person')

结果与上一步结果除了标签名完全一致。

properties

一组属性名字。可选项,默认为 None

属性名应当与数据中的首行表头中的名字相一致。

如果省略或为 None,除ID列之外的所有列都将会作为属性载入;如果为空列表 [],那么将不会载入任何属性;其他情况下,只会载入指定了的列作为属性。

比如说:

# properties will be firstName,lastName,gender,birthday,creationDate,locationIP,browserUsed
graph = sess.g()
graph = graph.add_vertices('/home/ldbc_sample/person_0_0.csv', label='person', properties=None)

# properties will be firstName, lastName
graph = sess.g()
graph = graph.add_vertices('/home/ldbc_sample/person_0_0.csv', label='person', properties=['firstName', 'lastName'])

# no properties
graph = sess.g()
graph = graph.add_vertices('/home/ldbc_sample/person_0_0.csv', label='person', properties=[])

vid_field

作为 ID 列的列名,默认为 0。此列将在载入边时被用做起始点 ID 或目标点 ID。

其值可以是一个字符串,此时指代列名;

或者可以是一个正整数,代表第几列 (从0开始)。

默认为第0列。

graph = sess.g()
graph = graph.add_vertices('/home/ldbc_sample/person_0_0.csv', vid_field='firstName')

graph = sess.g()
graph = graph.add_vertices('/home/ldbc_sample/person_0_0.csv', vid_field=0)

Build Edge

现在我们可以向图中添加一个边标签。

edges

与构建点标签一节中的 vertices 类似,为指示去哪里读数据的路径。

让我们来看一个例子:

graph = sess.g()
graph = graph.add_vertices('/home/ldbc_sample/person_0_0.csv', label='person')
# Note we already added a vertex label named 'person'.
graph = graph.add_edges('/home/ldbc_sample/person_knows_person_0_0.csv', src_label='person', dst_label='person')

这将会载入一个标签名为 _e 的边,源节点标签和终点节点标签都为 person,第一列作为起点的点ID,第二列作为终点的点ID。其他列都作为属性。

label

边的标签名,默认为 _e。推荐总是使用一个有意义的标签名。

graph = sess.g()
graph = graph.add_vertices('/home/ldbc_sample/person_0_0.csv', label='person')
graph = graph.add_edges('/home/ldbc_sample/person_knows_person_0_0.csv', label='knows', src_label='person', dst_label='person')

properties

一列属性,默认为 None。 意义与行为都和点中的一致。

src_label and dst_label

起点的标签名与终点的标签名。我们在上面的例子中已经看到过了,在那里将其赋值为 person。这两者可以取不同的值。举例来说:

graph = sess.g()
graph = graph.add_vertices('/home/ldbc_sample/person_0_0.csv', label='person')
graph = graph.add_vertices('/home/ldbc_sample/comment_0_0.csv', label='comment')
# Note we already added a vertex label named 'person'.
graph = graph.add_edges('/home/ldbc_sample/person_likes_comment_0_0.csv', label='likes', src_label='person', dst_label='comment')

src_field and dst_field

起点的 ID 列名与终点的 ID 列名。 默认分别为 0 和 1。

意义和表现与点中的 vid_field 类似,不同的是需要两列,一列为起点 ID, 一列为终点 ID。 以下是个例子:

# Steps to init a graph and add vertices are omitted
graph = graph.add_edges('/home/ldbc_sample/person_likes_comment_0_0.csv', label='likes', src_label='person', dst_label='comment', src_field='Person.id', dst_field='Comment.id')
# Or use the index.
graph = graph.add_edges('/home/ldbc_sample/person_likes_comment_0_0.csv', label='likes', src_label='person', dst_label='comment', src_field=0, dst_field=1)

高级用法

这是一些用来处理特别简单或特别复杂的高级一些的用法。

没有歧义时,自动推断点标签

如果图中只存在一个点标签,那么可以省略指定点标签。 GraphScope 将会推断起始点标签和终点标签为这一个点标签。

graph = sess.g()
graph = graph.add_vertices('/home/ldbc_sample/person_0_0.csv', label='person')
# GraphScope will assign `src_label` and `dst_label` to `person` automatically.
graph = graph.add_edges('/home/ldbc_sample/person_knows_person_0_0.csv')

从边中推断点

如果用户的 add_edgessrc_label 或者 dst_label 取值为图中不存在的点标签,graphscope 会从边的端点中聚合出点表。

graph = sess.g()
# Deduce vertex label `person` from the source and destination endpoints of edges.
graph = graph.add_edges('/home/ldbc_sample/person_knows_person_0_0.csv', src_label='person', dst_label='person')

graph = sess.g()
# Deduce the vertex label `person` from the source endpoint,
# and vertex label `comment` from the destination endpoint of edges.
graph = graph.add_edges('/home/ldbc_sample/person_likes_comment_0_0.csv', label='likes', src_label='person', dst_label='comment')

多种边关系

在一些情况下,一种边的标签可能连接了两种及以上的点。例如,在下面的属性图中,有一个名为 likes 的边标签, 连接了两种点标签,i.e., person -> likes <- comment and person -> likes <- post。 在这种情况下,可以添加两次名为 likes 的边,但是有不同的起始点标签和终点标签。

# Steps to init a graph and add vertices are omitted
graph = graph.add_edges('/home/ldbc_sample/person_likes_comment_0_0.csv',
        label="likes",
        src_label="person", dst_label="comment",
    )

graph = graph.add_edges('/home/ldbc_sample/person_likes_post_0_0.csv',
        label="likes",
        src_label="person", dst_label="post",
    )

指定属性的数据类型

GraphScope 可以从输入文件中推断点的类型,大部分情况下工作的很好。

然而,用户有时需要更多的自定义能力。为了满足此种需求,可以在属性名之后加入一个额外类型的参数。像这样:

graph = sess.g()
graph = graph.add_vertices('/home/ldbc_sample/post_0_0.csv', label='post', properties=['content', ('length', 'int'), ])

这将会将属性的类型转换为指定的类型,注意属性名字和类型需要在同一个元组中。

在这里,属性 length 的类型将会是 int,而默认不指定的话为 int64_t。 常见的使用场景是指定 int, int64, float, double, ‘str` 等类型。

图的其他参数

Graph 有三个配置元信息的参数,分别为:

  • oid_type, 可以为 int32_t, int64_tstring。 默认为 int64_t,会有更快的速度,和使用更少的内存。

    当ID不能用 int64_t 表示时,才应该使用 string,如果确定图点ID范围不会超过 2^31-1,建议使用 int32_t 来降低内存开销。

  • directed, bool, 默认为`True`. 指示载入无向图还是有向图。

  • generate_eid, bool, 默认为 True. 指示是否为每条边分配一个全局唯一的ID。

  • retain_oid, bool, 默认为 True. 指示是否是否将点原始ID保留为属性。

完整的示例

让我们写一个完整的图的定义。

graph = sess.g(oid_type='int64_t', directed=True, generate_eid=True, retain_oid=True)
graph = graph.add_vertices('/home/ldbc_sample/person_0_0.csv', label='person')
graph = graph.add_vertices('/home/ldbc_sample/comment_0_0.csv', label='comment')
graph = graph.add_vertices('/home/ldbc_sample/post_0_0.csv', label='post')

graph = graph.add_edges('/home/ldbc_sample/person_knows_person_0_0.csv', label='knows', src_label='person', dst_label='person')
graph = graph.add_edges('/home/ldbc_sample/person_likes_comment_0_0.csv', label='likes', src_label='person', dst_label='comment')
graph = graph.add_edges('/home/ldbc_sample/person_likes_post_0_0.csv', label='likes', src_label='person', dst_label='post')

print(graph.schema)

这里是一个更复杂的载入 LDBC-SNB 属性图的 例子

从 Pandas 或 Numpy 中载图

上文提到的数据源是一个 Loader object 的类。Loader 包含文件路径或者数据本身。 graphscope 支持从 pandas.DataFramenumpy.ndarray 中载图,这可以使用户仅通过 Python 控制台便可以创建图。

除了 Loader 外,其他属性,ID列,标签设置等都和之前提到的保持一致。

从 Pandas 中载图

import pandas as pd

df_v = pd.read_csv('/home/ldbc_sample/comment_0_0.csv', sep='|')
df_e = pd.read_csv('/home/ldbc_sample/comment_replyOf_comment_0_0.csv', sep='|')

# use a dataframe as datasource, properties omitted,
# for edges, col_0/col_1 will be used as src/dst by default.
# for vertices, col_0 will be used as vertex_id by default.
graph = sess.g().add_vertices(df_v).add_edges(df_e)

从 Numpy 中载图

注意每个数组都代表一列,我们将其以 COO 矩阵的方式传入。

import numpy

array_v = [df_v[col].values for col in df_v.columns.values]
array_e = [df_e[col].values for col in df_e.columns.values]

graph = sess.g().add_vertices(array_v).add_edges(array_e)

Loader 的变种

loader 包含文件路径时,它可能仅包含一个字符串。 文件路径应遵循 URI 标准。当收到包含文件路径的载图请求时, graphscope 将会解析 URI,调用相应的载图模块。

目前, graphscope 支持多种数据源:本地, OSS,S3,和 HDFS: 数据由 Vineyard 负责载入,Vineyard 使用 fsspec 解析不同的数据格式以及参数。任何额外的具体的配置都可以在Loader的可变参数列表中传入,这些参数会直接被传递到对应的存储类中。比如 hostport 之于 HDFS,或者是 access-id, secret-access-key 之于 oss 或 s3。

from graphscope.framework.loader import Loader

ds1 = Loader("file:///var/datafiles/group.e")
ds2 = Loader("oss://graphscope_bucket/datafiles/group.e", key='access-id', secret='secret-access-key', endpoint='oss-cn-hangzhou.aliyuncs.com')
ds3 = Loader("hdfs:///datafiles/group.e", host='localhost', port='9000', extra_conf={'conf1': 'value1'})
d34 = Loader("s3://datafiles/group.e", key='access-id', secret='secret-access-key', client_kwargs={'region_name': 'us-east-1'})

用户可以方便的实现自己的driver来支持更多的数据源,比如参照 ossfs driver的实现方式。 用户需要继承 AbstractFileSystem 类用来做scheme对应的resolver, 以及 AbstractBufferedFile。用户仅需要实现 _upload_chunk, _initiate_upload and _fetch_range 这几个方法就可以实现基本的read,write功能。最后通过 fsspec.register_implementation('protocol_name', 'protocol_file_system') 注册自定义的resolver。