mcpField
P
pygraphistry-core

pygraphistry-core

github.com/graphistry数据与数据库339 次安装今天更新
代码仓库

关于 pygraphistry-core

PyGraphistry Core 是使用 Graphistry Python 客户端准备图数据的技能，涵盖注册、图与超图构建、可视化字段绑定、绘图及数据整理检查。

主要功能

  1. 01Graphistry 注册指导
  2. 02从边和节点构建图
  3. 03从宽表构建超图
  4. 04可视化字段绑定与绘图
  5. 05ETL 与数据质量检查

适用场景

  1. 01准备交易或实体关系图
  2. 02可视化表格数据中的关系
  3. 03根据多个实体列构建超图
  4. 04上传图数据前整理数据

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-core

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

详细介绍

PyGraphistry Core

文档路由（本地 + 规范文档）

  • 首先通过 ../pygraphistry/references/pygraphistry-readthedocs-toc.md 路由。
  • 使用 ../pygraphistry/references/pygraphistry-readthedocs-top-level.tsv 快速定位各章节。
  • 仅在缺少所需页面时，才扫描 ../pygraphistry/references/pygraphistry-readthedocs-sitemap.xml。
  • 深入阅读页面前，先进行一次批量发现读取；避免使用 cat * 和串行的零碎读取。
  • 面向用户的回答中，优先使用规范的 https://pygraphistry.readthedocs.io/en/latest/... 链接。

快速工作流

  1. 在 Graphistry 服务上注册。
  2. 根据边/节点构建图（或根据宽表行构建超图）。
  3. 按需绑定可视化列。
  4. 绘图并迭代。

最简基线

import os
import graphistry

graphistry.register(
    api=3,
    username=os.environ.get('GRAPHISTRY_USERNAME'),
    password=os.environ.get('GRAPHISTRY_PASSWORD')
)

身份验证方案（组织 + 密钥流程）

# Organization-scoped login (SSO or user/pass org routing)
graphistry.register(api=3, org_name=os.environ['GRAPHISTRY_ORG_NAME'], idp_name=os.environ.get('GRAPHISTRY_IDP_NAME'))

# Service account / personal key flow
graphistry.register(
    api=3,
    personal_key_id=os.environ['GRAPHISTRY_PERSONAL_KEY_ID'],
    personal_key_secret=os.environ['GRAPHISTRY_PERSONAL_KEY_SECRET']
)

# edges_df: src,dst,... and nodes_df: id,...
edges_df['type'] = edges_df.get('type', 'transaction')
nodes_df['type'] = nodes_df.get('type', 'entity')
g = graphistry.edges(edges_df, 'src', 'dst').nodes(nodes_df, 'id')
g.plot()

超图基线

# Build graph from multiple entity columns in one table
hg = graphistry.hypergraph(df, ['actor', 'event', 'location'], engine='pandas')
hg['graph'].plot()

ETL 数据整形检查清单

  • 绑定前先规范化标识符列（src/dst/id 类型一致，并处理空值）。
  • 边和节点上都优先使用普通的 type 列，以便默认设置更适合图例，并确保类别编码一致。
  • 首次上传前，对大量重复行进行去重。
  • 对于以节点为中心的步骤，先物化节点：
g = graphistry.edges(edges_df, 'src', 'dst').materialize_nodes()

实用检查

  • 确认源/目标列无空值且类型正确。
  • 如有需要，在以节点为中心的操作前先物化节点（g.materialize_nodes()）。
  • 对于大型数据，首次渲染时先使用较小的数据切片。
  • 执行 GFQL 时，明确指定 engine='polars'，以保留 Polars 结果；自动/默认路径不会选择 Polars。可用的引擎字面值为 'pandas'、'cudf'、'dask'、'dask_cudf'、'polars'、'polars-gpu'、'auto'——'polars-gpu' 使用连字符，且没有 polars_gpu 这种拼写。
  • gfql() 没有 strict= 参数。非当前引擎分析策略通过 graphistry.compute.gfql.lazy.set_call_mode('auto'|'strict') 或 GFQL_POLARS_CALL_MODE 环境变量设置；引擎相关章节请参阅 pygraphistry-gfql。
  • 暂时不要推荐 hypergraph(..., engine='polars'|'polars-gpu')：当前 API 注解中列出了这些选项，但上游超图框架实现仍缺少对应的分派路径。请使用受支持的 pandas/cuDF 超图引擎，然后在适当情况下，为后续 GFQL 工作选择 Polars/Polars-GPU。
  • 对于邻域扩展和模式挖掘，始终使用 .gfql([...]) 或 .gfql("MATCH ...")。hop() 和 chain() 方法已弃用。
  • 仅将凭据保存在环境变量中；不要硬编码用户名/密码/令牌。

规范文档

评论

支持 Markdown