编写把csv数据集输入进GNN网络的代码

下面是一个简单的示例代码，用于将CSV数据集输入到图神经网络（GNN）中：

import pandas as pd
import numpy as np
import torch
import torch.nn.functional as F
from torch_geometric.data import Data

# 读取CSV文件
df = pd.read_csv('data.csv')

# 构建节点特征和边列表
x = torch.tensor(df.iloc[:, :-1].values, dtype=torch.float)
edge_index = torch.tensor(df.iloc[:, -1:].values, dtype=torch.long).t().contiguous()

# 构建数据对象
data = Data(x=x, edge_index=edge_index)

# 定义GNN模型
class GNN(torch.nn.Module):
    def __init__(self):
        super(GNN, self).__init__()
        self.conv1 = torch.nn.Conv1d(1, 16, kernel_size=3)
        self.conv2 = torch.nn.Conv1d(16, 32, kernel_size=3)
        self.fc1 = torch.nn.Linear(32, 64)
        self.fc2 = torch.nn.Linear(64, 1)

    def forward(self, x, edge_index):
        x = F.relu(self.conv1(x.unsqueeze(1)))
        x = F.relu(self.conv2(x).squeeze())
        x = F.relu(self.fc1(x))
        x = self.fc2(x)
        return x

# 实例化模型
model = GNN()

# 输入数据到模型中进行训练或预测
output = model(data.x, data.edge_index)

这段代码假设CSV文件的格式为：每行表示一个节点，前n-1列是节点的特征，最后一列是该节点连接的边的目标节点编号。在代码中，首先使用pandas库读取CSV文件，并将节点特征和边列表转换为PyTorch张量。然后，使用torch_geometric库中的Data类将节点特征和边列表组成一个数据对象。接下来，定义了一个简单的GNN模型，并将数据对象输入到模型中进行训练或预测。