mcpField
P
pygraphistry-ai

pygraphistry-ai

github.com/graphistry数据与数据库337 次安装今天更新
代码仓库

关于 pygraphistry-ai

pygraphistry-ai 是使用 PyGraphistry 图分析 AI 功能的技能，涵盖嵌入、聚类、语义搜索和新数据投影，并提供引擎与采样建议。

主要功能

  1. 01图特征与嵌入工作流
  2. 02UMAP 投影与批次转换
  3. 03DBSCAN 聚类与语义搜索
  4. 04引擎和采样建议

适用场景

  1. 01探索图特征中的模式
  2. 02搜索文本生成的图嵌入
  3. 03一致地投影新批次数据

安装

复制下面的命令，在终端中运行。

$npx skills add https://github.com/graphistry/graphistry-skills --skill pygraphistry-ai

安装后在 Claude Code 中输入/pygraphistry-ai确认已加载。

详细介绍

PyGraphistry AI

文档路由（本地 + 规范链接）

  • 首先查看 ../pygraphistry/references/pygraphistry-readthedocs-toc.md。
  • 使用 ../pygraphistry/references/pygraphistry-readthedocs-top-level.tsv 查找章节级快捷链接。
  • 仅当所需页面缺失时，才扫描 ../pygraphistry/references/pygraphistry-readthedocs-sitemap.xml。
  • 深入阅读页面前，先批量读取一次发现信息；避免使用 cat * 和串行的微型读取。
  • 面向用户的回答中，优先使用规范的 https://pygraphistry.readthedocs.io/en/latest/... 链接。

典型工作流

  1. 根据节点/边构建图。
  2. 运行特征/嵌入方法（umap、embed，以及可选的 dbscan）。
  3. 检查派生列/特征并进行可视化。
  4. 迭代调整特征列和采样策略。

基础示例

# Similarity embedding / projection
g2 = graphistry.nodes(df, 'id').umap(X=['f1', 'f2', 'f3'])
g2.plot()

# Fit/transform flow for consistent projection on new batches
g_train = graphistry.nodes(df_train, 'id').umap(X=['f1', 'f2'])
g_batch = g_train.transform_umap(df_batch, return_graph=True)
g_batch.plot()

# Semantic search over embedded features
g2 = graphistry.nodes(df, 'id').umap(X=['text_col'])
results_df, query_vector = g2.search('suspicious login pattern')

# Text-first workflow: featurize then search/cluster
g2 = graphistry.nodes(df, 'id').featurize(kind='nodes', X=['title', 'body']).umap(kind='nodes').dbscan()
hits, qv = g2.search('credential stuffing campaign')

# Precomputed embedding columns
embedding_cols = [c for c in df.columns if c.startswith('emb_')]
g2 = graphistry.nodes(df, 'id').umap(X=embedding_cols)
g_new = g2.transform_umap(df_new, return_graph=True)

实用注意事项

  • 完整运行前，先从较小或有代表性的样本开始。
  • 使用明确的特征列表（X=...），以便复现。
  • 记录引擎/数据帧类型，以了解 CPU 与 GPU 行为。支持 Polars 输入；需要保留 Polars 结果时，在 GFQL 行/遍历任务中使用 engine='polars'/'polars-gpu'。
  • UMAP、超图、布局及其他全图分析并非原生 Polars 操作。在 Polars GFQL 引擎下，请知情使用默认桥接，或设置 call_mode='strict' 以拒绝在引擎外执行。
  • 对于异常检测工作流，请记录阈值和误报假设。
  • 对于图机器学习任务，将更深入的模型工作流路由到 RGCN/链接预测参考文档。
  • 对于文本工作流，查询为自然语言时，优先使用 featurize(...).umap(...).search(...)。
  • 如果用户已有嵌入，请先通过明确的嵌入列列表（X=[...]）复用，再重新计算。
  • 用户要求简洁的工作流代码片段时，优先使用一个简短代码块，避免冗长的叙述性引言。

规范文档

评论

支持 Markdown