如何将CSV数据集转换为PyG支持的标准图数据格式

边索引（edge_index）正确构建 #

PyG 要求输入的edge_index是形状为[2, 总边数]的长整型张量，第一维度对应边的源节点、第二维度对应边的目标节点。
你的edge_pairs字段是逐节点存储的连边，处理时注意两个常见问题：

• CSV读入时该字段是字符串格式，需要先解析成原生Python列表
• 无向图场景下同一条边会在两个关联节点的行中各存一次，必须去重，否则边数会虚高一倍
  处理逻辑：

1. 遍历所有行的edge_pairs字段，用ast.literal_eval把字符串转成嵌套列表
2. 逐边收集(u, v)对，无向图同步加入反向边(v, u)，用集合做去重
3. 把去重后的边列表转置成[2, num_edges]格式，转成torch.long类型张量即可
   如果你的节点编号不是从0开始连续排列，需要先做一次重映射，把所有节点id映射到0 ~ 节点总数-1的连续区间，否则PyG会触发索引越界错误。

节点特征（x）选取方案 #

x要求是形状为[节点总数, 特征维度]的浮点型张量，你当前数据集没有现成特征列，根据任务选常用方案即可：

• 如果s_key/identifier是节点的固有属性（比如节点类别、所属分组）：直接用标签编码/独热编码转成张量作为特征，字符串类型属性先做编码再输入
• 如果没有任何节点属性、做图表示学习/节点分类任务：可以用单位矩阵（每个节点对应一个one-hot向量，维度等于节点总数）作为初始特征，也可以提取节点度、PageRank值、聚类系数这类拓扑统计量作为特征
• 不要用index列直接当特征，这一列只是节点编号，没有实际语义信息。

节点标签（y）选取方案 #

y完全和你的下游任务绑定，没有固定取值规则：

• 做节点分类任务：用你提前标注好的节点类别标签，多分类场景下形状为[节点总数]的长整型张量，多标签场景下为[节点总数, 类别数]的浮点张量
• 做链路预测任务：不需要全局y，后续数据集划分时单独构造正负样本边即可
• 做图预训练、拓扑结构分析任务：暂时不需要y可以留空，或者把你需要预测的节点属性（比如identifier对应的类别）赋值给y即可。

完整可运行代码 #

import pandas as pd
import torch
from torch_geometric.data import Data
import ast
from sklearn.preprocessing import LabelEncoder

# 读取CSV数据
df = pd.read_csv("your_graph_dataset.csv")
num_nodes = len(df)  # 前提是index列从0开始连续无断号

# 构建edge_index
edge_set = set()
for edge_col_val in df["edge_pairs"]:
    # 解析字符串格式的边列表
    edge_pairs = ast.literal_eval(edge_col_val)
    for u, v in edge_pairs:
        edge_set.add((u, v))
        # 有向图请删除下面这行，不要加反向边
        edge_set.add((v, u))
# 转成PyG要求的edge_index格式
edge_index = torch.tensor(list(edge_set), dtype=torch.long).t().contiguous()

# 构建节点特征x，以下两种方案二选一
# 方案1：用s_key属性编码作为特征
s_key_encoder = LabelEncoder()
s_key_feat = s_key_encoder.fit_transform(df["s_key"]).reshape(-1, 1)
x = torch.tensor(s_key_feat, dtype=torch.float)
# 方案2：无属性场景用one-hot初始特征
# x = torch.eye(num_nodes, dtype=torch.float)

# 构建节点标签y，替换成你实际的标签列即可
id_encoder = LabelEncoder()
y = torch.tensor(id_encoder.fit_transform(df["identifier"]), dtype=torch.long)

# 组装成PyG标准Data对象
data = Data(x=x, edge_index=edge_index, y=y)
print(data) # 打印验证数据格式是否正确

内容的提问来源于stack exchange，提问作者Zahid Hussain