如何将NumPy邻接矩阵与节点特征转为PyTorch Geometric数据对象

你写的NetworkX中转方案基础功能是可用的，但存在三个明显问题：

• nx.from_numpy_array默认构造无向图，如果你的邻接矩阵对应有向图，不对称的边会被自动合并为无向边，直接丢失方向信息。
• 两次格式转换（numpy→NetworkX→PyG）额外开销大，节点规模达到万级以上时，转换速度慢、内存占用高的问题会非常明显。
• 转换得到的PyG对象中节点特征是NumPy数组格式，没有转为PyTorch张量，直接传入GNN模型会触发类型错误。

完全不需要依赖NetworkX做中转，PyG原生提供了稠密邻接矩阵转标准图格式的工具，转换效率更高、格式更规范，实现代码如下：

import torch
import numpy as np
from torch_geometric.data import Data
from torch_geometric.utils import dense_to_sparse

num_of_nodes = 14
num_of_feats = 14
output_dim = 32

def get_data():
    adj = np.random.randint(0, 2, [num_of_nodes, num_of_nodes])
    feats = np.random.uniform(-1, 1, [num_of_nodes, num_of_feats])

    # numpy数组转PyTorch张量，匹配模型输入类型要求
    adj_tensor = torch.from_numpy(adj).to(torch.long)
    x_tensor = torch.from_numpy(feats).to(torch.float32)

    # 稠密邻接矩阵直接转PyG要求的COO格式边索引
    edge_index, edge_attr = dense_to_sparse(adj_tensor)

    # 构造标准PyG图对象
    pyg_graph = Data(x=x_tensor, edge_index=edge_index, edge_attr=edge_attr)
    
    # 无向图建议加这行，自动合并重边、对齐PyG边索引规范
    # pyg_graph = pyg_graph.coalesce()

    return pyg_graph

这个方案相比NetworkX中转的优势：

• 无冗余格式转换，万级以上节点场景下转换速度比中转方案快两个数量级，内存占用更低。
• 不会默认修改图的方向属性，有向邻接矩阵转换后保留原始边方向，无向图只要邻接矩阵对称就能得到正确结果。
• 输出的Data对象所有属性都是符合要求的PyTorch张量，不需要额外做类型处理，可以直接传入GNN模型训练/推理。
• 如果邻接矩阵存储了边权重，转换时会自动将权重存入edge_attr属性，不需要手动遍历赋值。

内容的提问来源于stack exchange，提问作者Aaditya Ura