gnn图神经网络前置数据处理代码

图神经网络 (Graph Neural Networks, GNN) 的前置数据处理通常涉及到以下几个关键步骤：

1. **构建图结构**：首先，你需要将数据转换成图的形式。这包括节点 (nodes)、边 (edges) 和可能的节点属性 (node features) 或边属性 (edge features)。例如，在社交网络中，用户可以是节点，他们的联系则是边。

import networkx as nx
# 创建图
G = nx.Graph()
G.add_nodes_from(users, attributes=dict(age, gender)) # 添加节点及属性
G.add_edges_from(followers, weight='strength') # 添加边及其权重

2. **编码节点特征**：如果节点有额外的数据，如用户的标签或描述，需要将其转换为数值向量。常见的做法是使用嵌入技术（如Word2Vec或GloVe），或者通过预训练模型获取。

from gensim.models import Word2Vec
node_embeddings = Word2Vec(nodes_descriptions)
G.node[node_id] = node_embeddings[node_id]

3. **邻接矩阵或邻居采样**：为了计算每个节点的信息，GNN通常会利用邻接矩阵表示图的结构。此外，邻居采样（如ego-networks或随机游走）也是常用的技术，用于限制信息传播到节点的近邻范围。

adj_matrix = nx.adjacency_matrix(G).todense() # 转换为邻接矩阵
sampled_neighbors = G.neighbors(node_id)[:num_samples] # 邻居采样

4. **标签和分割**：如果你的目标是监督学习，那么需要准备标签数据。同时，可能还需要对节点或图进行分层（如社区检测），以便于训练过程。

labels = [get_label(node) for node in nodes] # 获取节点标签
train_test_split(G, labels) # 分割为训练集和测试集