python用邻接矩阵构图

在Python中，可以使用numpy库来构造邻接矩阵。下面是一个简单的示例代码：

import numpy as np

# 定义节点数
n = 5

# 定义邻接矩阵
adj_matrix = np.zeros((n, n))

# 添加边
adj_matrix[0][1] = 1
adj_matrix[0][3] = 1
adj_matrix[1][2] = 1
adj_matrix[2][3] = 1
adj_matrix[2][4] = 1
adj_matrix[3][4] = 1

# 打印邻接矩阵
print(adj_matrix)

在上面的示例中，我们定义了一个5个节点的图，并且手动添加了一些边，最终输出了邻接矩阵。你可以根据自己的需求，修改节点数和边的连接情况。

相关问题

在network构图，节点特征不一致，有的是18有的是19，这样的话如何传入pyg进行图卷积 代码实现，不填充缺失维度，可以先把特征进行降维操作

在网络图建模中，如果节点特征维度不一致，例如有些节点有18维特征，有些有19维，可以直接将每个节点的特征视为一个独立向量，而不是统一的固定大小。在PyTorch Geometric (PyG)库中，处理这种情况的一个常见做法是：

1. **创建张量列表**：首先，对于所有节点，分别存储它们的特征作为单独的Tensor。例如：

node_features_list = [torch.tensor(node_data[i].features, dtype=torch.float) for i in range(num_nodes)]

这里的`node_data`是一个包含节点信息的数据结构，如DGL的NodeData或者其他类似容器。

2. **动态张量堆叠**：由于PyG的`DataLoader`和`GraphConv`等模块通常需要张量的形状一致性，我们可以使用`stack`函数将这些单个特征张量堆叠到一起，形成一个`batch_size x max_num_node_features`的二维矩阵，其中`max_num_node_features`即为最大特征维度，这里是19。注意这里不会填充0，而是保持稀疏形式。

node_features = torch.stack(node_features_list, dim=0)

3. **构建动态图**：接着，你可以创建一个`Data`对象，将堆叠后的特征与边信息、邻接矩阵等结合在一起。因为PyG允许动态图，所以不需要担心形状不匹配的问题。

edge_index, edge_attr = ...  # 获取边的信息
data = Data(x=node_features, edge_index=edge_index, edge_attr=edge_attr)

4. **图卷积层**：最后，使用`GCNConv`, `SGCNConv`或其他支持动态输入的图卷积层，对数据进行卷积操作。

model = GCNConv(max_num_node_features, hidden_channels)  # 使用最大特征维度作为输入通道数
out = model(data.x, data.edge_index)