图数据库

图数据库是一种根据节点和边存储数据的数据库。数据以非常灵活的方式存储，无需遵循预定义的模型。该图形成了两个节点之间的关系，这种关系可以是有向的也可以是无向的。这些数据库旨在处理数据/节点之间的复杂关系。

节点用于存储数据。每个节点都包含一组属性，这些属性提供有关节点本身的信息。

Edge存储两个节点或实体之间的关系。边总是有起始节点和终止节点。

图数据库如何工作？

与依赖表和列的传统关系数据库不同，图形数据库使用无模式结构。这意味着没有预定义的表或列，可以以灵活、可扩展且高效的方式存储数据。

图数据库使用各种类型的数据模型，包括属性图和 RDF（资源描述框架）图。在属性图中，每个节点和边都可以有多个属性，这些属性是描述节点或边的属性的键值对。在 RDF 图中，节点和边表示为 URI（统一资源标识符），实体之间的关系使用三元组（主语、谓语、宾语）表示。

图数据库通常使用查询语言（例如 Cypher 或 Gremlin）来遍历图、查询数据和更新数据。这些查询语言被设计为用户友好的，使工程师可以轻松地使用图形数据库。

何时使用图形数据库？

当涉及复杂数据时，使用图形数据库。它们对于需要能够建模和查询实体之间关系的应用程序特别有用，例如社交网络、推荐引擎和欺诈检测系统。

社交网络

正如我们所知，社交网络非常复杂且高度关联。它们遵循非常复杂的数据结构。它们遵循用户的帖子、评论和其他实体之间的关系。图数据库允许用户轻松地遍历图并在实体之间进行发现。

以下是如何在社交网络中使用图形数据库的示例：

from py2neo import Graph, Node

# set up graph connection
graph = Graph()

# create user node with attributes
user = Node("User", name="John Doe", age=25, location="New York", interests=["programming", "video games"])

# add user node to graph
graph.create(user)

上面的代码创建了一个具有姓名、年龄、位置和兴趣等属性的用户节点，并将其添加到图数据库中。

推荐引擎

推荐引擎是机器学习算法，用于根据用户之前的操作、偏好和行为向用户推荐项目。它们通常用于电子商务网站、流媒体平台和社交媒体网站，为用户提供个性化推荐。

图形数据库可用于推荐引擎，以更有效地表示和处理数据。图数据库旨在存储和查询实体之间的关系，这是推荐引擎的一个基本方面。以下是如何在推荐引擎中使用图形数据库的示例：

假设我们要构建一个电影推荐引擎。我们可以将电影和用户表示为图中的节点，并使用边来表示电影评级和用户偏好等关系。

每个电影节点都可以具有标题、流派、导演和演员等属性。每个用户节点都可以具有年龄、性别和位置等属性。节点之间的边可以表示不同类型的关系。例如，“已观看”边可以将用户节点连接到电影节点，评级属性表示用户对电影的评级。

通过使用图数据库，我们可以轻松地查询图来为特定用户提出建议。例如，我们可以找到相似用户评价高的电影，或者找到与用户评价高的电影相关的电影。

以下是如何使用 Python 包将电影节点添加到图形数据库的示例py2neo：

from py2neo import Graph, Node

# set up graph connection
graph = Graph()

# create movie node with attributes
movie = Node("Movie", title="The Matrix", genre="Science Fiction", director="Lana Wachowski", actors=["Keanu Reeves", "Carrie-Anne Moss"])

# add movie node to graph
graph.create(movie)

上面的代码创建了一个具有标题、流派、导演和演员等属性的电影节点，并使用包将其添加到图形数据库中py2neo。您可以将更多节点添加到同一个图中。

欺诈检测系统

FDS 需要能够通过各种类型的模式识别可疑行为。图形数据库在欺诈检测中非常有用，因为它们可以分析关系并识别可能表明存在欺诈的行为。

下面是 Cypher 中的一个示例，它从不同商家检索涉及同一张信用卡的所有交易：

MATCH (c:CreditCard)-[:USED_FOR]->(t:Transaction)-[:AT_MERCHANT]->(m:Merchant)
WITH c, m, COUNT(t) AS tx_count
WHERE tx_count > 1
RETURN c.number, m.name, tx_count

该查询的作用是匹配在不同商户处用于交易的所有信用卡，并返回信用卡号、商户名称以及涉及该信用卡在商户处的交易次数。这可能有助于识别骗局。

如何使用图数据库？

现在您知道什么是图形数据库、它们的工作原理以及何时可以使用它们。现在问题出现了“好吧，这很酷，但我该如何使用它呢？” 使用图形数据库需要遵循几个步骤-

选择图形数据库软件

首先，您需要选择一个特定的图形数据库平台来使用，例如Neo4j、OrientDB、JanusGraph、Arangodb或Amazon Neptune。选择平台后，您就可以开始使用该平台的查询语言处理图形数据。

规划你的图形模型

选择数据库软件后，定义实体以及它们之间的关系。您可以使用纸笔或绘图工具来创建图形模型的可视化表示。

创建图数据库

完成图形模型后，在图形数据库软件中创建一个新的数据库实例。根据软件的不同，您可以使用命令行或 GUI 创建新的数据库实例。

定义架构

在向图数据库添加节点和边之前，定义架构。架构定义实体和关系类型、属性及其数据类型。大多数图形数据库软件都支持动态模式更新。（我知道我说过“这是一个无模式结构”，但最好定义一个概览结构）

添加节点和边

节点代表图数据库中的实体，边代表实体之间的关系。您可以使用软件的特定语言（例如 Cypher）添加节点和边

CREATE (user:User {name: 'Jatin'})
CREATE (article:Article {title: 'Graph Databases vs. Relational Databases'})
CREATE (user)-[:WROTE]->(article)

上面的代码创建了两个节点，一个带有标签“User”，一个带有标签“Article”，然后使用 WROTE 关系类型在两个节点之间创建关系。

查询数据

要查询数据，可以使用MATCHCypher 中的子句。例如，要查找 Jatin 撰写的所有文章，您可以使用以下代码：

MATCH (user:User {name: 'Jatin'})-[:WROTE]->(article:Article)
RETURN article.title

更新数据

要更新数据，您可以使用SETCypher 中的子句。例如，要将 ID 为 47 的文章标题更新为“Graph Databases”，您可以使用以下代码：

MATCH (article:Article {id: 47})
SET article.title = 'Graph Databases'

删除数据

要删除数据，可以使用DELETECypher 中的子句。例如，要删除带有 id 的文章节点47以及连接到该节点的任何关系，您可以使用以下代码：

MATCH (article:Article {id: 47})
DETACH DELETE article

此代码首先匹配文章节点，然后在删除节点本身之前分离连接到该节点的所有关系。

优点

• 它们非常灵活地处理复杂的数据和关系。
• 他们使用图形遍历来浏览大量相互关联的数据。
• 它们还可以水平扩展，这意味着添加更多机器来处理越来越多的数据。
• 图数据库可以对大数据或小数据进行实时更新，同时支持查询。

缺点

• 对于完全适合表格和行的结构化数据，它们可能效率不高。
• 它们更复杂，可能需要比关系数据库更多的知识。