dgl.DGLGraph.getitem

DGLGraph.__getitem__(key)[source]

返回此图的关系切片。

您可以通过 self[srctype, etype, dsttype] 获取关系切片，其中 srctype、etype 和 dsttype 可以是字符串或表示通配符（即任何源/边/目标类型）的完整切片（:）。

关系切片是从原始异构图转换而来的同构图（具有一个节点类型和一个边类型）或二部图（具有两个节点类型和一个边类型）。

如果只找到一个规范边类型，则返回的关系切片将是原始图的诱导子图。也就是说，它等同于 self.edge_type_subgraph(etype)。返回图的节点和边特征将与原始图共享。

如果找到多个规范边类型，则源/边/目标节点类型将是原始节点/边类型的拼接。新的源/目标节点类型将使用在原始源/目标类型上调用 dgl.combine_names() 确定的拼接作为其名称。源/目标节点将由原始源/目标类型的公共特征拼接而成。因此，它们与原始图不共享。边类型类似。

参数:: key (str 或 tuple) – 表示边类型名称的字符串，或 (srctype, etype, dsttype) 形式的元组，其中 srctype、etype、dsttype 可以是表示类型名称的字符串，也可以是完整切片对象 (:)。
返回值:: 关系切片。
返回类型:: DGLGraph

说明

此函数返回一个新图。更改此图的内容不会反映到原始图上。

如果图合并了多个节点类型或边类型，它将具有从新图到原始图的节点/边类型和 ID 映射。这些映射的名称为 dgl.NTYPE、dgl.NID、dgl.ETYPE 和 dgl.EID，类似于函数 dgl.to_homogenenous()。

示例

>>> g = dgl.heterograph({
...     ('A1', 'AB1', 'B'): ([0, 1, 2], [1, 2, 3]),
...     ('A1', 'AB2', 'B'): ([1, 2, 3], [3, 4, 5]),
...     ('A2', 'AB2', 'B'): ([1, 3, 5], [2, 4, 6])})
>>> new_g = g['A1', :, 'B']         # combines all edge types between A1 and B
>>> new_g
Graph(num_nodes={'A1': 4, 'B': 7},
      num_edges={('A1', 'AB1+AB2', 'B'): 6},
      metagraph=[('A1', 'B', 'AB1+AB2')])
>>> new_g.edges()
(tensor([0, 1, 2, 1, 2, 3]), tensor([1, 2, 3, 3, 4, 5]))
>>> new_g2 = g[:, 'AB2', 'B']        # combines all node types that are source of AB2
>>> new_g2
Graph(num_nodes={'A1+A2': 10, 'B': 7},
      num_edges={('A1+A2', 'AB2+AB2', 'B'): 6},
      metagraph=[('A1+A2', 'B', 'AB2+AB2')])
>>> new_g2.edges()
(tensor([1, 2, 3, 5, 7, 9]), tensor([3, 4, 5, 2, 4, 6]))

如果合并了多个节点类型和边类型，可以通过以下方式找到到原始节点类型和 ID 的映射

>>> new_g1.edges['AB1+AB2'].data[dgl.EID]
tensor([0, 1, 2, 0, 1, 2])
>>> new_g1.edges['AB1+AB2'].data[dgl.ETYPE]
tensor([0, 0, 0, 1, 1, 1])
>>> new_g2.nodes['A1+A2'].data[dgl.NID]
tensor([0, 1, 2, 3, 0, 1, 2, 3, 4, 5])
>>> new_g2.nodes['A1+A2'].data[dgl.NTYPE]
tensor([0, 0, 0, 0, 1, 1, 1, 1, 1, 1])

dgl.DGLGraph.__getitem__

dgl.DGLGraph.getitem