PyG Cora图数据集可视化教程

### DeepRobust库中的可视化方法 DeepRobust是一个强大的Python库，专注于图神经网络(GNNs)及其鲁棒性研究。该库不仅提供了多种GNN模型实现，还支持对抗攻击和防御机制的研究。对于数据科学家来说，在探索过程中能够直观理解算法行为至关重要；因此，利用合适的工具和技术来展示实验结果变得尤为关键。 #### 使用Matplotlib与Seaborn进行基本绘图 尽管`deeprobust`本身并不提供专门针对其功能定制的高级可视化组件，但可以通过集成其他流行的Python图形包如matplotlib[^1] 和 seaborn 来增强数据分析过程： ```python import matplotlib.pyplot as plt import seaborn as sns from deeprobust.graph.data import Dataset, Dpr2Pyg sns.set_theme(style="darkgrid") def plot_accuracy_comparison(accuracies): """绘制不同条件下准确率对比折线图""" fig, ax = plt.subplots(figsize=(8, 6)) for label, values in accuracies.items(): epochs = range(len(values)) ax.plot(epochs, values, marker='o', linestyle='-', label=label) ax.legend() ax.set_xlabel('Epoch') ax.set_ylabel('Accuracy (%)') ax.set_title('Model Accuracy Over Epochs') # 假设我们有两个不同的训练历史记录字典 history_clean = {'Clean Training': [90., 92., ...]} history_attacked = {'Attacked Training': [75., 78., ...]} plot_accuracy_comparison({**history_clean, **history_attacked}) plt.show() ``` 此代码片段展示了如何通过外部图表库创建简单的准确性变化趋势图，这对于比较原始模型性能以及遭受特定类型的攻击后的表现非常有用。 #### 利用NetworkX显示节点关系 为了更好地解释基于图结构的任务（比如链接预测），可以借助networkx构建并渲染复杂的关系网状图: ```python import networkx as nx import numpy as np from deeprobust.graph.utils import * from pylab import rcParams rcParams['figure.figsize'] = 12, 8 data = Dataset(root='/tmp/', name='cora') # 加载Cora数据集作为例子 adj, features, labels = data.adj, data.features, data.labels G = nx.from_scipy_sparse_matrix(adj) pos = nx.spring_layout(G) nx.draw_networkx_nodes(G, pos, node_size=30) nx.draw_networkx_edges(G, pos, alpha=0.4) plt.title("Graph Visualization of Cora Network") plt.axis('off') plt.show() ``` 上述脚本读取了一个小型社交网络样本，并将其转换成适合于视觉呈现的形式。这有助于研究人员快速掌握目标系统的拓扑特征。