如何用张量表示igraph-python中的图并转换为Data结构？

首先注意你提供的igraph代码存在一处矛盾：n_vertices = 3 但边列表里出现了索引为3、4的顶点，需将顶点数修正为5，修正后的初始化代码如下：

import igraph as ig

n_vertices = 5
edges = [(0, 1), (0, 2), (0, 3), (0, 4), (1, 2), (1, 3), (1, 4), (3, 4)]
graph = ig.Graph(n_vertices, edges)

以下是将该图转换为PyTorch Geometric的Data(edge_index, x, y, train_mask)结构的具体步骤：

1. 依赖准备 #

确保已安装PyTorch和PyTorch Geometric：

pip install torch torch_geometric

2. 转换边索引（edge_index） #

PyTorch Geometric要求edge_index为[2, 边数]形状的张量，若原图是无向图，可选择添加反向边（保证图的双向连通性）：

import torch
from torch_geometric.data import Data

# 从igraph提取边列表并转为张量
edge_list = torch.tensor(graph.get_edgelist(), dtype=torch.long)
# 转置为PyG要求的[2, 边数]格式
edge_index = edge_list.t().contiguous()

# 若需处理无向图，添加反向边（可选）
# edge_index = torch.cat([edge_index, edge_index.flip(0)], dim=1)

3. 定义节点特征（x） #

若无现成节点特征，可初始化随机特征或全零特征：

# 每个节点设为10维随机特征
x = torch.randn(n_vertices, 10)
# 或全零特征
# x = torch.zeros(n_vertices, 1)

4. 定义节点标签（y） #

根据任务需求定义节点标签，示例为二分类任务的随机标签：

y = torch.randint(0, 2, (n_vertices,))

5. 定义训练掩码（train_mask） #

训练掩码用于标记参与训练的节点，示例选取前3个节点作为训练集：

train_mask = torch.zeros(n_vertices, dtype=torch.bool)
train_mask[:3] = True

6. 组装成Data结构 #

将所有组件组合为目标结构：

data = Data(edge_index=edge_index, x=x, y=y, train_mask=train_mask)

此时data即为符合要求的PyTorch Geometric Data结构，可直接用于图神经网络训练。

内容的提问来源于stack exchange，提问作者Ana_1960