from . import citation_graph as citegrh ImportError: attempted relative import with no known parent package

这个错误是由于相对导入时没有找到父级包而引起的。相对导入是指在Python中使用相对路径导入模块，但在这种情况下，Python解释器无法确定当前模块所属的父级包。

要解决这个问题，你可以尝试以下几种方法：

1. 确保你的导入语句在正确的位置。相对导入必须位于包内的模块中，而不是独立的脚本文件中。

2. 如果你正在运行脚本文件，请确保你的脚本文件位于正确的包中，并在命令行中使用正确的相对路径运行。

3. 如果你的文件结构是正确的，但仍然遇到问题，可以尝试使用绝对导入来代替相对导入。将导入语句更改为绝对路径导入，例如 `import package.module`。

4. 确保你的项目结构是正确的，并且你的包和模块之间有正确的父子关系。

如果上述方法都无法解决问题，请提供更多相关的代码和项目结构信息，以便我能够给出更具体的帮助。

相关问题

def load_data(path="./data/cora/", dataset="cora"): """Load citation network dataset (cora only for now)""" print('Loading {} dataset...'.format(dataset)) idx_features_labels = np.genfromtxt("{}{}.content".format(path, dataset), dtype=np.dtype(str)) features = sp.csr_matrix(idx_features_labels[:, 1:-1], dtype=np.float32) labels = encode_onehot(idx_features_labels[:, -1])

这段代码是用来加载 citation network dataset 中的数据集的。具体来说，它加载了一个叫做 "cora" 的数据集。

这段代码首先使用 `np.genfromtxt` 函数从文件中读取数据，该文件的路径由 `path` 变量指定，文件名由 `dataset` 变量指定。这个文件的格式是一个文本文件，每一行代表了图中的一个节点，每一行包含了节点的特征和标签。

接下来，这段代码使用 `sp.csr_matrix` 函数将节点特征矩阵转换为 Compressed Sparse Row matrix (CSR) 格式。最后，它使用 `encode_onehot` 函数将标签转换为 one-hot 编码格式。

总的来说，这段代码是为了将 citation network dataset 中的数据集加载到内存中，并将其转换为合适的格式以供机器学习算法使用。

现在有两个字典citation_dict与network，citation_dict和network键完全相同，均为作者id，citation_dict的值为作者的引用量，network的值为作者的合作者id，依据 这两个字典，构建学者合作网络图数据集。使用torch_geometric.data.data.Data类型存储图数据，其中每一张图代表一个作者的合作网络，图中的节点为作者id，节点的属性为作者的引用量，图的属性即y，为该图中心作者的引用量，请给出Python代码：

以下是构建学者合作网络图数据集的 Python 代码：

import torch
import torch_geometric.data

citation_dict = {'author_1': 10, 'author_2': 5, 'author_3': 20}
network = {'author_1': ['author_2', 'author_3'],
          'author_2': ['author_1', 'author_3'],
          'author_3': ['author_1', 'author_2']}

graphs = []
for author, coauthors in network.items():
    edge_index = []
    edge_index.append(torch.tensor([0, i] for i, coauthor in enumerate(coauthors)))
    edge_index.append(torch.tensor([i, 0] for i, coauthor in enumerate(coauthors)))
    edge_index = torch.cat(edge_index, dim=0)
    
    x = torch.tensor([citation_dict[author]] + [citation_dict[coauthor] for coauthor in coauthors])
    
    y = torch.tensor([citation_dict[author]])
    
    graphs.append(torch_geometric.data.Data(x=x, edge_index=edge_index, y=y))

这段代码首先定义了两个字典 `citation_dict` 和 `network`，分别代表作者的引用量和作者的合作者关系。接着，使用 `for` 循环遍历 `network` 字典，对于每一个作者，通过创建一个 `torch_geometric.data.Data` 对象来存储该作者的合作网络。图的边是通过创建两个 `torch.tensor` 对象存储的，第一个存储的是起点，第二个存储的是终点。节点的属性 `x` 是所有合作者的引用量的列表，图的属性 `y` 是该图的中心作者的引用量。最后，所有的图都存储在 `graphs` 列表中。