用从 py2neo 查询获得的 networkx 中的标签绘制图形

Question

我正在使用Jupyter笔记本运行一些数据分析，其中我有一个具有可变长度匹配的查询，如下所示：

MATCH p=(s:Skill)-[:BROADER*0..3]->(s)
WHERE s.label='py2neo' or s.label='Python'
RETURN p

我想使用networkx将其结果绘制为图形。

到目前为止，我发现了两个不令人满意的解决方案。 基于这里的笔记本，我可以使用密码魔法生成一个图形，其结果可以被networkx模块直接理解。

result = %cypher MATCH p=(s:Skill)-[:BROADER*0..3]->(s) WHERE s.label='py2neo' or s.label='Python' RETURN p

nx.draw(result.get_graph())

但是，我无法找到将标签添加到图中的方法。

该解决方案绕过py2neo 。 使用py2neo我可以在图形上放置标签，只要我不使用可变长度模式。

例子：

query='''MATCH p=(s1:Skill)-[:BROADER]->(s2)
WHERE s1.label='py2neo' or s1.label='Python'
RETURN s1.label as child, s2.label as parent'''

df = sgraph.data(query)

然后，从 Stackoverflow 中的响应复制（稍后我将链接），我可以手动构建图形

G=nx.DiGraph()   
G.add_nodes_from(list(set(list(df.iloc[:,0]) + list(df.iloc[:,1]))))

#Add edges

tuples = [tuple(x) for x in df.values] 
G.add_edges_from(tuples)
G.number_of_edges()

#Perform Graph Drawing
#A star network  (sort of)
nx.draw_networkx(G)
plt.show()

有了这个，我得到了一个带有标签的图，但是为了得到类似可变长度匹配的东西，我应该使用多个查询。

但是我怎样才能做到两全其美呢？ 我更喜欢py2neo解决方案。 改写：我怎样才能让py2neo返回一个图形（而不是一个表格），然后能够将这些信息传递给networkx ，能够从多个可能的标签中确定哪些是要在图中显示的？

Answer 1

最后的问题是如何从与某个查询匹配的子图中获取包含所有边的表。

可以解决问题的Cypher是：

MATCH (source:Skill)-[:BROADER*0..7]->(dest:Skill)
WHERE source.label_en in ['skill1','skill2'] 
WITH COLLECT(DISTINCT source)+COLLECT(dest) AS myNodes
UNWIND myNodes as myNode
MATCH p=(myNode)-[:BROADER]->(neighbor)
WHERE neighbor in myNodes
RETURN myNode.label_en as child ,neighbor.label_en as parent

前两行获取属于所述子图的节点。 最后五个将其展开为由有向边连接的节点对。 第二个MATCH的0允许收集属于原始列表的孤立节点。

---

与 2019 年一样，使用当前的py2neo软件包，这件事的工作方式是

query = '''
MATCH (source:Skill)-[:BROADER*0..7]->(dest:Skill)
WHERE source.label_en in ['skill1','skill2'] 
WITH COLLECT(DISTINCT source)+COLLECT(dest) AS myNodes
UNWIND myNodes as myNode
MATCH p=(myNode)-[:BROADER]->(neighbor)
WHERE neighbor in myNodes
RETURN myNode.label_en as child ,neighbor.label_en as parent
'''

df = pd.DataFrame(graph.run(query).data())

G=nx.DiGraph()   
G.add_nodes_from(list(set(list(df['child']) + list(df.loc['parent']))))

#Add edges

tuples = [tuple(x) for x in df.values] 
G.add_edges_from(tuples)
G.number_of_edges()

#Perform Graph Drawing
#A star network  (sort of)
nx.draw_networkx(G)
plt.show()