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 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。
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="编程笔记")
>>>nodes = list(node_matcher.match("Person").where(age=35))
>>>nodes
[Node("Person", age=35, name="王王", work="编程笔记")]
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="编程笔记"),
Node("Person", age=30, name="张张", work="编程笔记"),
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：
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="编程笔记"), Node("Location", name="禄口机场"), date="2021/7/16", stay_hours=1),
同事(Node("Person", age=20, name="李李", work="编程笔记"), Node("Person", age=30, name="张张", work="编程笔记")),
同事(Node("Person", age=20, name="李李", work="编程笔记"), Node("Person", age=35, name="王王", work="编程笔记"))]
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="编程笔记"), Node("Person", age=20, name="李李", work="编程笔记"))]
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="编程笔记"), Node("Person", age=30, name="张张", work="编程笔记")),
同事(Node("Person", age=20, name="李李", work="编程笔记"), Node("Person", age=35, name="王王", work="编程笔记")),
同事(Node("Person", age=35, name="王王", work="编程笔记"), Node("Person", age=20, name="李李", work="编程笔记")),
同事(Node("Person", age=30, name="张张", work="编程笔记"), Node("Person", age=20, name="李李", work="编程笔记"))]
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="编程笔记"), 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="编程笔记"), 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_node和end_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“编程笔记”。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="编程笔记"
RETURN n.name AS name, n.age AS age "
df = graph.run(cypher_).to_data_frame() # pd.DataFrame
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
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="编程笔记")),
同事(Node("Person", age=30, name="张张", work="编程笔记"),
Node("Person", age=20, name="李李", work="编程笔记")),
同事(Node("Person", age=20, name="李李", work="编程笔记"),
Node("Person", age=35, name="王王", work="编程笔记")))
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"] + "
"
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
以上就是python使用py2neo查询Neo4j的节点、关系及路径的详细内容，更多关于python py2neo的资料请关注编程笔记其它相关文章！
京公网安备 11010802041100号