我有一个GraphSAGE模型，请用Python写一段代码用GNNExplainer计算它的可解释性

下面是一个使用GNNExplainer算法计算GraphSAGE模型可解释性的Python代码示例：

import torch
import numpy as np
from torch_geometric.nn import GNNExplainer
from dataset import MyDataset # 自定义数据集，需要自己实现

# 加载预训练的GraphSAGE模型
model = torch.load('models/graphsage.pt')

# 加载数据集
dataset = MyDataset(root='./data', transform=None)

# 随机选择一个图进行解释
idx = np.random.randint(len(dataset))
data = dataset[idx]

# 获取节点特征和邻接矩阵
x = data.x
edge_index = data.edge_index

# 创建GNNExplainer实例
explainer = GNNExplainer(model, epochs=200)

# 计算节点重要性得分
node_idx = 0 # 选择要解释的节点
node_feat_mask, edge_mask = explainer.explain_node(node_idx, x, edge_index)

# 输出节点重要性得分
print(f'Node {node_idx} feature importance: {node_feat_mask}')

上面这段代码将GraphSAGE模型和自定义数据集`MyDataset`加载到内存中。然后，从数据集中随机选择一个图，并获取其节点特征和邻接矩阵。接下来，我们使用GNNExplainer算法计算节点重要性得分，这里我们选择解释第一个节点的特征。最后，我们输出节点重要性得分。

需要注意的是，GNNExplainer需要在图数据上进行训练，因此需要一些时间来计算节点重要性得分。另外，节点重要性得分是一个向量，每个元素表示节点特征的重要性得分。可以根据实际需要选择性输出重要性得分最高的节点以及相应的特征。