Raphtory

<img src="https://yellow-cdn.veclightyear.com/0a4dffa0/7b9d69b6-2fc6-4f83-b9b0-1b9897d3c0b1.png" alt="Raphtory" height="100"/> <a href="https://yellow-cdn.veclightyear.com/0a4dffa0/d15642c7-fa33-4a88-8102-7c253f82f839.svg"> <img alt="测试和构建" src="https://yellow-cdn.veclightyear.com/0a4dffa0/d15642c7-fa33-4a88-8102-7c253f82f839.svg" /> </a> <a href="https://github.com/Raphtory/Raphtory/releases"> <img alt="最新版本" src="https://img.shields.io/github/v/release/Raphtory/Raphtory?color=brightgreen&include_prereleases" /> </a> <a href="https://github.com/Raphtory/Raphtory/issues"> <img alt="问题" src="https://img.shields.io/github/issues/Raphtory/Raphtory?color=brightgreen" /> </a> <a href="https://crates.io/crates/raphtory"> <img alt="Crates.io" src="https://img.shields.io/crates/v/raphtory"> </a> <a href="https://pypi.org/project/raphtory/"> <img alt="PyPI" src="https://img.shields.io/pypi/v/raphtory"> </a> <a href="https://pypi.org/project/raphtory/#history"> <img alt="PyPI 下载量" src="https://yellow-cdn.veclightyear.com/0a4dffa0/ffda6c83-3a65-4e2d-94a2-4a834c3edb96.svg"> </a> <a href="https://mybinder.org/v2/gh/Raphtory/Raphtory/master?labpath=examples%2Fpy%2Flotr%2Flotr.ipynb"> <img alt="启动笔记本" src="https://yellow-cdn.veclightyear.com/0a4dffa0/f0e8a9f8-532c-47c6-ac74-2a7ba55add24.svg" /> </a> <a href="https://www.raphtory.com">🌍 网站 </a> &nbsp <a href="https://docs.raphtory.com/">📒 文档</a> &nbsp <a href="https://www.pometry.com"><img src="https://yellow-cdn.veclightyear.com/0a4dffa0/c4f03887-02af-4284-8166-56443626c754.png" height="20" align="center"/> Pometry</a> &nbsp <a href="https://www.raphtory.com/user-guide/installation/">🧙教程</a> &nbsp <a href="https://github.com/Raphtory/Raphtory/issues">🐛 报告错误</a> &nbsp <a href="https://join.slack.com/t/raphtory/shared_invite/zt-xbebws9j-VgPIFRleJFJBwmpf81tvxA"><img src="https://yellow-cdn.veclightyear.com/0a4dffa0/254ae8b7-b620-4d82-8f1d-87f18162f9e1.png" height="20" align="center"/> 加入Slack</a>

Raphtory是一个用Rust编写的内存向量化图数据库，提供友好的Python API。它速度极快，可在笔记本电脑上扩展到数亿条边，只需通过pip install raphtory就可以轻松集成到您现有的工作流程中。

它支持时间旅行、全文搜索、多层建模，以及超越简单查询的高级分析，如自动风险检测、动态评分和时间模式分析。

如果您想贡献代码，请查看开放的问题列表、悬赏板，或直接在Slack上联系我们。成功的贡献将获得丰厚的奖励！

安装Raphtory

Raphtory可用于Python和Rust。

对于Python，您必须使用3.8或更高版本，可以通过pip安装：

pip install raphtory

对于Rust，Raphtory托管在crates上，适用于Rust 1.77或更高版本，可以通过cargo add将其添加到您的项目中：

cargo add raphtory

运行基本示例

以下是使用我们的Python API时Raphtory的简单示例。如果您喜欢所看到的内容，可以在这里深入学习完整教程。

from raphtory import Graph
from raphtory import algorithms as algo
import pandas as pd

# 创建一个新图
graph = Graph()

# 向图中添加一些数据
graph.add_node(timestamp=1, id="Alice")
graph.add_node(timestamp=1, id="Bob")
graph.add_node(timestamp=1, id="Charlie")
graph.add_edge(timestamp=2, src="Bob", dst="Charlie", properties={"weight": 5.0})
graph.add_edge(timestamp=3, src="Alice", dst="Bob", properties={"weight": 10.0})
graph.add_edge(timestamp=3, src="Bob", dst="Charlie", properties={"weight": -15.0})

# 检查图中唯一节点/边的数量以及最早/最晚时间
print(graph)

results = [["earliest_time", "name", "out_degree", "in_degree"]]

# 使用滚动窗口收集图历史中的一些简单节点指标
for graph_view in graph.rolling(window=1):
    for v in graph_view.nodes:
        results.append(
            [graph_view.earliest_time, v.name, v.out_degree(), v.in_degree()]
        )

# 打印结果
print(pd.DataFrame(results[1:], columns=results[0]))

# 获取一条边，探索其"weight"的历史
cb_edge = graph.edge("Bob", "Charlie")
weight_history = cb_edge.properties.temporal.get("weight").items()
print(
    "Bob和Charlie之间的边有以下权重历史：", weight_history
)

# 比较时间2和时间3之间的权重
weight_change = cb_edge.at(2)["weight"] - cb_edge.at(3)["weight"]
print(
    "Bob和Charlie之间的边的权重变化了",
    weight_change,
    "点",
)

# 运行PageRank并询问排名最高的节点
top_node = algo.pagerank(graph).top_k(1)
print(
    "图中最重要的节点是",
    top_node[0][0],
    "，得分为",
    top_node[0][1],
)

输出：

Graph(number_of_edges=2, number_of_nodes=3, earliest_time=1, latest_time=3)

|   | earliest_time | name    | out_degree | in_degree |
|---|---------------|---------|------------|-----------|
| 0 | 1             | Alice   | 0          | 0         |
| 1 | 1             | Bob     | 0          | 0         |
| 2 | 1             | Charlie | 0          | 0         |
| 3 | 2             | Bob     | 1          | 0         |
| 4 | 2             | Charlie | 0          | 1         |
| 5 | 3             | Alice   | 1          | 0         |
| 6 | 3             | Bob     | 1          | 1         |
| 7 | 3             | Charlie | 0          | 1         |

Bob和Charlie之间的边有以下权重历史： [(2, 5.0), (3, -15.0)]

Bob和Charlie之间的边的权重变化了 20.0 点

图中最重要的节点是 Charlie，得分为 0.4744116163405977

GraphQL

作为Python API的一部分，您可以在Raphtory的GraphQL服务器中托管您的数据。这使得将您的图形分析与Web应用程序集成变得非常简单。

以下是创建图、运行托管此数据的服务器以及使用我们的GraphQL客户端直接查询的简单示例。

from raphtory import Graph
from raphtory.graphql import RaphtoryServer
import pandas as pd

# 我们主要教程中指环王数据的URL
url = "https://raw.githubusercontent.com/Raphtory/Data/main/lotr-with-header.csv"
df = pd.read_csv(url)

# 从数据框加载指环王图
graph = Graph.load_from_pandas(df,"src_id","dst_id","time")

#创建可查询图的字典并使用它启动graphql服务器。这将返回一个我们可以用来查询的客户端
client = RaphtoryServer({"lotr_graph":graph}).start()

#等待服务器启动
client.wait_for_online()
```python
#运行一个基本查询，获取角色的名称和度数
results = client.query("""{
             graph(name: "lotr_graph") {
                 nodes {
                     name
                     degree
                    }
                 }
             }""")

print(results)

输出:

加载边: 100%|██████████████| 2.65K/2.65K [00:00<00:00, 984Kit/s]
游乐场: http://localhost:1736
{'graph': 
    {'nodes': 
        [{'name': 'Gandalf', 'degree': 49}, 
         {'name': 'Elrond', 'degree': 32}, 
         {'name': 'Frodo', 'degree': 51}, 
         {'name': 'Bilbo', 'degree': 21}, 
         ...
        ]
    }
}