GraphFrames ユーザーガイド - Scala
この記事では、 GraphFrames ユーザーガイドの例を紹介します。
import org.apache.spark.sql._
import org.apache.spark.sql.functions._
import org.graphframes._
GraphFrames の作成
GraphFrames は、頂点とエッジ DataFramesから作成できます。
頂点 DataFrame:頂点 DataFrame には、グラフ内の各頂点の一意のIDを指定する
id
という名前の特別な列が含まれている必要があります。エッジ DataFrame:エッジ DataFrame には、
src
(エッジのソース頂点ID)とdst
(エッジの宛先頂点ID)の2つの特別な列が含まれている必要があります。
どちらの DataFrames も、任意の他の列を持つことができます。 これらの列は、頂点属性とエッジ属性を表すことができます。
頂点とエッジの作成
// Vertex DataFrame
val v = spark.createDataFrame(List(
("a", "Alice", 34),
("b", "Bob", 36),
("c", "Charlie", 30),
("d", "David", 29),
("e", "Esther", 32),
("f", "Fanny", 36),
("g", "Gabby", 60)
)).toDF("id", "name", "age")
// Edge DataFrame
val e = spark.createDataFrame(List(
("a", "b", "friend"),
("b", "c", "follow"),
("c", "b", "follow"),
("f", "c", "follow"),
("e", "f", "follow"),
("e", "d", "friend"),
("d", "a", "friend"),
("a", "e", "friend")
)).toDF("src", "dst", "relationship")
これらの頂点とエッジからグラフを作成しましょう。
val g = GraphFrame(v, e)
// This example graph also comes with the GraphFrames package.
// val g = examples.Graphs.friends
基本グラフと DataFrame クエリー
GraphFrames は、ノードの次数などの単純なグラフクエリーを提供します。
また、GraphFramesはグラフを頂点と辺 DataFramesのペアとして表すため、頂点と辺の DataFramesに直接強力なクエリーを簡単に作成できます。 これらの DataFrames は、GraphFrames の頂点フィールドとエッジ フィールドとして使用できます。
display(g.vertices)
display(g.edges)
頂点の次の角度:
display(g.inDegrees)
頂点の発信角度:
display(g.outDegrees)
頂点の次数:
display(g.degrees)
クエリーは頂点 DataFrame上で直接実行できます。 たとえば、グラフで最年少の人の年齢を見つけることができます。
val youngest = g.vertices.groupBy().min("age")
display(youngest)
同様に、エッジのデータフレームでクエリーを実行できます。 たとえば、グラフ内の「フォロー」関係の数を数えてみましょう。
val numFollows = g.edges.filter("relationship = 'follow'").count()
モチーフ探し
モチーフを使用して、エッジと頂点を含むより複雑な関係を構築します。 次のセルは、両方向のエッジを持つ頂点のペアを検索します。 結果は、列名が motif キーである DataFrameです。
API の詳細については、 GraphFrames ユーザー ガイド を参照してください。
// Search for pairs of vertices with edges in both directions between them.
val motifs = g.find("(a)-[e]->(b); (b)-[e2]->(a)")
display(motifs)
結果は DataFrameなので、モチーフの上にもっと複雑なクエリー缶を組むことができます。 一人が30歳以上であるすべての相互関係を見つけましょう。
val filtered = motifs.filter("b.age > 30")
display(filtered)
ステートフルクエリー
ほとんどのモチーフクエリーは、上記の例のようにステートレスで表現が簡単です。 次の例は、モチーフのパスに沿って状態を運ぶ、より複雑なクエリーを示しています。 GraphFrames モチーフの検出と結果のフィルターを組み合わせて、フィルターがシーケンス操作を使用して一連の DataFrame 列を構築することで、これらのクエリーを表現します。
たとえば、関数のシーケンスによって定義されたプロパティを持つ 4 つの頂点のチェーンを識別するとします。 つまり、4つの頂点のチェーンの中で a->b->c->d
は、この複雑なフィルターに一致するチェーンのサブセットを特定します。
パス上の状態を初期化します。
頂点 a に基づいて状態を更新します。
頂点 b に基づいて状態を更新します。
等。CとDの場合。
最終状態が何らかの条件に一致する場合、フィルターはチェーンを受け入れます。
次のコードスニペットは、3つのエッジのうち少なくとも2つが「フレンド」関係になるように4つの頂点のチェーンを識別するこのプロセスを示しています。 この例では、状態は「フレンド」エッジの現在のカウントです。一般に、任意の DataFrame 列にすることができます。
// Find chains of 4 vertices.
val chain4 = g.find("(a)-[ab]->(b); (b)-[bc]->(c); (c)-[cd]->(d)")
// Query on sequence, with state (cnt)
// (a) Define method for updating state given the next element of the motif.
def sumFriends(cnt: Column, relationship: Column): Column = {
when(relationship === "friend", cnt + 1).otherwise(cnt)
}
// (b) Use sequence operation to apply method to sequence of elements in motif.
// In this case, the elements are the 3 edges.
val condition = Seq("ab", "bc", "cd").
foldLeft(lit(0))((cnt, e) => sumFriends(cnt, col(e)("relationship")))
// (c) Apply filter to DataFrame.
val chainWith2Friends2 = chain4.where(condition >= 2)
display(chainWith2Friends2)
サブグラフ
GraphFrames は、エッジと頂点でフィルター処理することにより、サブグラフを構築するための APIs を提供します。 これらのフィルターは一緒に構成できます。 たとえば、次のサブグラフには、友達で 30 歳以上の人のみが含まれています。
// Select subgraph of users older than 30, and edges of type "friend"
val g2 = g
.filterEdges("relationship = 'friend'")
.filterVertices("age > 30")
.dropIsolatedVertices()
複雑なトリプレットフィルター
次の例は、エッジとその "src" 頂点と "dst" 頂点を操作するトリプレット フィルターに基づいてサブグラフを選択する方法を示しています。 この例を拡張して、より複雑なモチーフを使用してトリプレットを超えるのは簡単です。
// Select subgraph based on edges "e" of type "follow"
// pointing from a younger user "a" to an older user "b".
val paths = g.find("(a)-[e]->(b)")
.filter("e.relationship = 'follow'")
.filter("a.age < b.age")
// "paths" contains vertex info. Extract the edges.
val e2 = paths.select("e.src", "e.dst", "e.relationship")
// In Spark 1.5+, the user may simplify this call:
// val e2 = paths.select("e.*")
// Construct the subgraph
val g2 = GraphFrame(g.vertices, e2)
display(g2.vertices)
display(g2.edges)
標準グラフアルゴリズム
このセクションでは、GraphFrame に組み込まれている標準的なグラフ アルゴリズムについて説明します。
幅優先検索 (BFS)
32歳<ユーザーを「Esther」から検索します。
val paths: DataFrame = g.bfs.fromExpr("name = 'Esther'").toExpr("age < 32").run()
display(paths)
検索では、エッジ フィルターと最大パス長も制限される場合があります。
val filteredPaths = g.bfs.fromExpr("name = 'Esther'").toExpr("age < 32")
.edgeFilter("relationship != 'friend'")
.maxPathLength(3)
.run()
display(filteredPaths)
接続されたコンポーネント
コンピュート 各頂点の接続されたコンポーネントメンバーシップを取得し、各頂点にコンポーネントIDが割り当てられたグラフを返します。
val result = g.connectedComponents.run() // doesn't work on Spark 1.4
display(result)
強固に接続されたコンポーネント
各頂点の強結合コンポーネント(SCC)をコンピュートし、その頂点を含むSCCに割り当てられた各頂点を持つグラフを返します。
val result = g.stronglyConnectedComponents.maxIter(10).run()
display(result.orderBy("component"))
ラベルの 伝播
静的ラベル伝播アルゴリズムを実行して、ネットワーク内のコミュニティを検出します。
ネットワーク内の各ノードは、最初は独自のコミュニティに割り当てられます。 すべてのスーパーステップで、ノードはコミュニティ所属をすべてのネイバーに送信し、状態を着信メッセージのモードコミュニティ所属に更新します。
LPA は、グラフの標準的なコミュニティ検出アルゴリズムです。 計算的には安価ですが、(1)収束は保証されておらず、(2)些細なソリューション(すべてのノードが単一のコミュニティに識別される)で終わる可能性があります。
val result = g.labelPropagation.maxIter(5).run()
display(result.orderBy("label"))
ページランク
接続に基づいてグラフ内の重要な頂点を特定します。
// Run PageRank until convergence to tolerance "tol".
val results = g.pageRank.resetProbability(0.15).tol(0.01).run()
display(results.vertices)
display(results.edges)
// Run PageRank for a fixed number of iterations.
val results2 = g.pageRank.resetProbability(0.15).maxIter(10).run()
display(results2.vertices)
// Run PageRank personalized for vertex "a"
val results3 = g.pageRank.resetProbability(0.15).maxIter(10).sourceId("a").run()
display(results3.vertices)