python使用py2neo查询Neo4j的节点、关系及路径

作者:流浪猫猫 时间:2023-02-01 18:11:52 

python使用py2neo查询Neo4j的节点、关系及路径

Neo4j是一款开源图数据库,Py2neo提供了使用Python语言访问Neo4j的接口。本文介绍了使用Py2neo的NodeMatcher和RelationshipMatcher查询图中的节点和关系,以及通过执行Cypher语句的查询方式。本文使用的Py2neo是2021.1之后的版本,手册请戳这里:
The Py2neo Handbook

一、连接Neo4j数据库

本文中会用到多种数据类型,在此一并引用

<import numpy as np
import pandas as pd
from py2neo import Node,Relationship,Graph,Path,Subgraph
from py2neo import NodeMatcher,RelationshipMatcher

配置Neo4j数据库的访问地址、用户名和密码:


neo4j_url = '访问地址'
user = '用户名'
pwd = '密码'

在此时间段之前访问数据库的方式为:

graph = Graph(neo4j_url, username=user, password=pwd)

在此时间段之后的版本访问数据库的方式为(就是这么不兼容):


graph = Graph(neo4j_url,  auth=(user, pwd))

以下图为例:

  • 图中包含一些Person节点,每个Person节点有name、age、work属性;

  • 其中“赵赵”节点是多label的节点,除了有Person标签,它还有Teacher标签;

  • Person和Person节点之间有同事、邻居、学生、老师等关系;

  • 图中还有一些Location节点,它们之间有包含关系;

  • Person节点和Location节点之间有“到访”关系,“到访”关系具有date和stay_hours两个属性。

python使用py2neo查询Neo4j的节点、关系及路径

二、 通过graph.schema查询图中节点和关系有哪些类型

查看节点的类型用graph.schema.node_labels,查看关系的类型用graph.schema.relationship_types,它们的返回值类型都是frozenset,是不能增删元素的集合。


>>>graph.schema.node_labels
frozenset({'Location', 'Person', 'Teacher'})
>>>graph.schema.relationship_types
frozenset({'到访', '包含', '同事', '学生', '老师', '邻居'})

三、使用NodeMatcher查询节点

首先创建一个NodeMatcher对象,用match来指明要匹配哪种label的节点,用where来表示筛选条件(有两种方法)。需要注意的是,匹配成功返回的是NodeMatcher的对象,要转化成Node对象,可以用first取出符合条件的第一个节点,或者转化成节点的list。


>>>node_matcher = NodeMatcher(graph)
>>>node = node_matcher.match("Person").where(age=20).first()
>>>node
Node('Person', age=20, name='李李', work='脚本之家')
>>>nodes = list(node_matcher.match("Person").where(age=35))
>>>nodes
[Node('Person', age=35, name='王王', work='脚本之家')]

where条件有两种写法,一种是把要匹配的属性和值写成key=value的形式,例如上面的where(age=20),这种写法只能按照值是否完全一致来匹配,不能按照值的大小来筛选,如果写成下面这样是会报错的:

node = node_matcher.match("Person").where(age>20).first() # 错误
想要按照值的大小筛选或者做一些字符串的模糊匹配,可以把条件表达式写成一个字符串,整体放在where语句中,在这个字符串中,可以用 _ 来代指匹配到的节点。下面两个例子,第一个是匹配work属性为“月亮XX”模式的Person节点,另一个是匹配age大于20的Person节点。


>>>node = node_matcher.match("Person").where("_.work =~ '月亮.*'").first()
>>>node
Node('Person', 'Teacher', age=45, name='赵赵', work='月亮中学')
>>>nodes = list(node_matcher.match("Person").where("_.age > 20"))
>>>nodes
[Node('Person', age=35, name='王王', work='脚本之家'),
Node('Person', age=30, name='张张', work='脚本之家'),
Node('Person', 'Teacher', age=45, name='赵赵', work='月亮中学')]

将NodeMatcher返回的结果转化为Node数据类型或者Node的list之后,访问其中的属性也就十分简单了,如上面最后一例的结果,访问其中第一个节点的name属性:


>>>nodes[0]['name']
'王王'

四、 使用RelationshipMatcher查询关系

RelationshipMatcher的match方法有三个及以上参数:

  • 第一个参数是节点的序列或者set,可以为None,为None表示任意节点均可;

  • 第二个参数是关系的类型,可以为None,为None表示任意类型的关系均可;

  • 第三个参数开始是要匹配的属性,写成key=value的形式。

match方法的返回值是RelationshipMatcher类型,需要通过first转化成Relationship数据结构,或者转化为list。

举例说明

列1:比如想要查询“李李”节点的所有关系。先查询出节点,再查询节点的关系,r_type=None表示任意类型的关系均可。返回的关系包括到访、同事。


>>>node1 = node_matcher.match("Person").where(name='李李').first()
>>>relationship = list(relationship_matcher.match([node1], r_type=None))
>>>relationship
[到访(Node('Person', age=20, name='李李', work='脚本之家'), Node('Location', name='禄口机场'), date='2021/7/16', stay_hours=1),
同事(Node('Person', age=20, name='李李', work='脚本之家'), Node('Person', age=30, name='张张', work='脚本之家')),
同事(Node('Person', age=20, name='李李', work='脚本之家'), Node('Person', age=35, name='王王', work='脚本之家'))]

例2:查询“李李”和“张张”的关系,两个节点的顺序表示了要匹配的关系的方向。所以在整个图中“李李”和“张张”节点之间的同事关系是双向的,但是查询结果只给出了从“张张”节点到“李李”节点的一条关系。


>>>node1 = node_matcher.match("Person").where(name='李李').first()
>>>node2 = node_matcher.match("Person").where(name='张张').first()
>>>relationship = list(relationship_matcher.match((node2,node1), r_type=None))
>>>relationship
[同事(Node('Person', age=30, name='张张', work='脚本之家'), Node('Person', age=20, name='李李', work='脚本之家'))]

例3:询图中某一类关系,第一个参数为None,第二个参数r_type指定关系类型,这里查询了图中所有的同事关系。


>>>relationship = list(relationship_matcher.match(None, r_type='同事'))
>>>relationship
[同事(Node('Person', age=20, name='李李', work='脚本之家'), Node('Person', age=30, name='张张', work='脚本之家')),
同事(Node('Person', age=20, name='李李', work='脚本之家'), Node('Person', age=35, name='王王', work='脚本之家')),
同事(Node('Person', age=35, name='王王', work='脚本之家'), Node('Person', age=20, name='李李', work='脚本之家')),
同事(Node('Person', age=30, name='张张', work='脚本之家'), Node('Person', age=20, name='李李', work='脚本之家'))]

例4: 在查询关系时按照属性的值筛选,可以将该属性写为key=value的形式作为match方法的第三个参数。这里,查询图中的到访关系,并且stay_hours属性为1。


>>>relationship = list(relationship_matcher.match(None, r_type='到访', stay_hours=1))
>>>relationship
[到访(Node('Person', age=20, name='李李', work='脚本之家'), Node('Location', name='禄口机场'), date='2021/8/24', stay_hours=1)]

虽然Py2neo的手册上没有写,但其实RelationshipMatcher也可以接上where方法,按照属性的值筛选关系。上面这个例子也可以写作下面这种形式,效果是一样的。

relationship = list(relationship_matcher.match(None, r_type='到访').where(stay_hours=1))
同样,在where方法中也可以写一个字符串表达式,实现按值大小来筛选关系。例如要筛选出所有到访关系,且stay_hours>=1的关系时,可以这样写:


>>>relationship = list(relationship_matcher.match(None, r_type='到访').where("_.stay_hours>=1"))
>>>relationship
[到访(Node('Person', age=20, name='李李', work='脚本之家'), Node('Location', name='禄口机场'), date='2021/8/24', stay_hours=1),
到访(Node('Person', age=20, name='刘刘', work='地球电子商务公司'), Node('Location', name='禄口机场'), date='2021/8/24', stay_hours=4)]

如何访问返回的结果中的各个属性呢,Relationship其实是包含了一对起止节点:start_nodeend_node,包含了关系的类型,而关系的属性是以字典形式存在的,可以用get方法来获取属性的值。
获取关系的起止节点:


>>>print(relationship[0].start_node['name'])
>>>print(relationship[0].end_node['name'])
李李
禄口机场

获取关系的类型的文本字符串


>>>print(relationship[0])
>>>print(type(relationship[0]).__name__)
(李李)-[:到访 {date: '2021/8/24', stay_hours: 1}]->(禄口机场)
到访

获取关系中的属性和值


>>>print(relationship[0].keys())
>>>print(relationship[0].values())
>>>print(relationship[0].get('date'))
dict_keys(['date', 'stay_hours'])
dict_values(['2021/8/24', 1])
2021/8/24

五、通过执行Cypher语句查询

NodeMatcher和RelationshipMatcher能够表达的匹配条件相对简单,更加复杂的查询还是需要用Cypher语句来表达。Py2neo本身支持执行Cypher语句的执行,可以将复杂的查询写成Cypher语句,通过graph.run方法查询,返回的结果可以转化为pandas.DataFrame或者pandas.Series对象,从而和其他数据分析工具无缝衔接。

例如:要查询Person节点,并满足work属性为“脚本之家”。Cypher语句中可以使用WHERE接条件表达式,使用AS将返回的属性改名,返回多个属性时,用xxx AS x, yyy AS y。graph.run方法之后再接to_data_frame()可以将返回的数据变成pandas的DataFrame对象,并且用AS改过的属性名即为DataFrame中的列名。


cypher_ = "MATCH (n:Person) \
WHERE n.work='脚本之家' \
RETURN n.name AS name, n.age AS age "

df = graph.run(cypher_).to_data_frame() # pd.DataFrame

python使用py2neo查询Neo4j的节点、关系及路径

例2:查询一个已知节点和其他哪些节点有关系,有什么样的关系。Cypher语言查询关系时用 < 或者 > 表示方向,这里需要返回type(r),直接返回r的话结果里是空值。


>>>cypher_ = "MATCH (n:Person)-[r]->(m:Person) \
WHERE n.name='李李' \
RETURN type(r) AS type,m.name AS name"
>>>df = graph.run(cypher_).to_data_frame() # pd.DataFrame

python使用py2neo查询Neo4j的节点、关系及路径

例3:Cypher语言还可以查询路径,因为不确定返回的路径数量,所以最好先将结果转化为pandas.Series,再遍历访问其中每条路径的节点和关系。
这里查询的是“赵赵”节点和“王王”节点之间的关系路径,关系指定为同事或邻居,关系不超过4层。


>>>cypher_ = "MATCH path=(m:Person)-[:同事|邻居*1..4]->(n:Person) \
WHERE m.name='赵赵' AND n.name='王王' \
RETURN path"
>>>s = graph.run(cypher_).to_series()
>>>print(len(s))
>>>s[0]

Path(Node('Person', 'Teacher', age=45, name='赵赵', work='月亮中学'),
邻居(Node('Person', 'Teacher', age=45, name='赵赵', work='月亮中学'),
Node('Person', age=30, name='张张', work='脚本之家')),
同事(Node('Person', age=30, name='张张', work='脚本之家'),
Node('Person', age=20, name='李李', work='脚本之家')),
同事(Node('Person', age=20, name='李李', work='脚本之家'),
Node('Person', age=35, name='王王', work='脚本之家')))


这里查询到的关系路径数量仅有1条。从上图的结果中也可以看出来,Path是一个比较复杂的结构,Path中的节点和关系分别用nodes和relationships表示,并且是按照路径上节点和关系的顺序分别存放的。这里给出一段示例代码,对每一个路径都做了直接打印path数据结构和自己组织路径文本。




for path in s:
   # 直接打印path
   print(path)
   # 获取路径中的节点和关系
   nodes = path.nodes
   relationshis = path.relationships  
   # 自己组织路径文本
   path_text = ""
   for n,r in zip(nodes, relationshis):
       # 每次加入一个节点和一个关系的类型
       path_text += "{} - {} - ".format(n['name'], type(r).__name__)
   # 别忘了最后一个节点
   path_text += nodes[-1]['name'] + '\n'
   print(path_text)

运行这段代码得的结果如下所示,上面一行是直接打印路径的结果,下面一行是自己组织文本得到的结果。


(赵赵)-[:邻居 {}]->(张张)-[:同事 {}]->(李李)-[:同事 {}]->(王王)
赵赵 - 邻居 - 张张 - 同事 - 李李 - 同事 - 王王

使用Py2neo查询Neo4j中的节点、关系和路径时,条件简单的查询可以通NodeMatcher和RelationshipMatcher来实现。而较为复杂的查询,可以写成Cypher语句来查询,查询结果可以转化为pandas的DataFrame或者Series数据类型,与其他数据分析工具结合

来源:https://segmentfault.com/a/1190000040558191

标签:python,py2neo,Neo4j
0
投稿

猜你喜欢

  • python+Selenium自动化测试——输入,点击操作

    2023-08-09 07:20:50
  • openCV显著性检测的使用

    2022-10-20 12:25:02
  • python之 matplotlib和pandas绘图教程

    2021-07-16 01:50:11
  • 使用python画社交网络图实例代码

    2023-01-17 12:53:46
  • 微信小程序实现日期格式化

    2023-07-20 20:28:32
  • SQL Server误区30日谈 第5天 AWE在64位SQL SERVER中必须开启

    2024-01-17 15:25:36
  • Python判断字符串与大小写转换

    2021-07-17 03:23:35
  • Python模拟登录的多种方法(四种)

    2023-06-11 21:08:45
  • vue-cli 环境变量 process.env的使用及说明

    2024-05-29 22:28:45
  • python+opencv实现目标跟踪过程

    2023-03-29 01:29:15
  • 解决Python中由于logging模块误用导致的内存泄露

    2021-08-24 08:04:46
  • 基于vue-draggable 实现三级拖动排序效果

    2024-05-29 22:18:05
  • 网站开发防止中文乱码需要了解的codepage的重要性小结

    2011-03-03 11:24:00
  • Anaconda安装OpenCV的方法图文教程

    2021-11-30 18:22:09
  • JavaScript版无组件上传类

    2007-10-06 23:16:00
  • Python实现统计文本文件字数的方法

    2023-05-24 11:46:04
  • 浅谈dataframe中更改列属性的方法

    2022-12-08 02:00:06
  • 15分钟学会vue项目改造成SSR(小白教程)

    2024-04-27 16:07:07
  • Python ConfigParser模块的使用示例

    2023-12-02 03:35:15
  • 基于python实现聊天室程序

    2022-09-26 07:50:33
  • asp之家 网络编程 m.aspxhome.com