Python使用py2neo查询Neo4j节点、关系及路径详解
本文详细介绍如何使用Python库py2neo查询Neo4j图数据库。内容涵盖从2021.1版本后的连接方式变更，到利用NodeMatcher和RelationshipMatcher进行节点与关系的匹配查询，以及通过执行Cypher语句处理复杂路径查询的方法。文中提供了具体的代码示例，展示如何将查询结果转换为pandas DataFrame或Series以便进行数据分析。
Neo4j作为一款开源图数据库，配合Py2neo库可为Python开发者提供便捷的访问接口。本文旨在阐述如何利用Py2neo中的NodeMatcher与RelationshipMatcher模块来检索图中的节点与关系，同时介绍通过直接执行Cypher语句进行查询的方法。本文所依据的Py2neo版本为2021.1及之后的版本，相关手册可参考：The Py2neo Handbook。
一、连接Neo4j数据库
本文将涉及多种数据类型，此处统一进行引用。
<import numpy as np import pandas as pd from py2neo import Node,Relationship,Graph,Path,Subgraph from py2neo import NodeMatcher,RelationshipMatcher
配置访问Neo4j数据库所需的地址、用户名及密码。
neo4j_url = '访问地址'
user = '用户名'
pwd = '密码'
在此版本更新之前，访问数据库的代码方式如下：
graph = Graph(neo4j_url, username=user, password=pwd)
在此版本更新之后，访问数据库的方式发生了改变（存在不兼容情况）：
graph = Graph(neo4j_url, auth=(user, pwd))
以下图为例：
- 图中包含若干Person节点，每个Person节点具备name、age及work属性；
- 其中“赵赵”节点拥有多重标签，除了Person标签外，还包含Teacher标签；
- Person节点之间存在同事、邻居、学生及老师等关系；
- 图中还包含若干Location节点，它们之间具有包含关系；
- Person节点与Location节点之间存在“到访”关系，该关系拥有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
查看节点类型可使用graph.schema.node_labels，查看关系类型则使用graph.schema.relationship_types，两者的返回值类型均为frozenset，这是一种不可增删元素的集合类型。
>>>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
首先需创建一个NodeMatcher对象，利用match指定要匹配的label类型，并通过where设定筛选条件（支持两种写法）。需要注意的是，匹配成功返回的是NodeMatcher对象，需转换为Node对象，可通过first方法获取符合条件的第一个节点，或转换为节点列表。
>>>node_matcher = NodeMatcher(graph)
>>>node = node_matcher.match("Person").where(age=20).first()
>>>node
Node('Person', age=20, name='李李', work='本站')
>>>nodes = list(node_matcher.match("Person").where(age=35))
>>>nodes
[Node('Person', age=35, name='王王', work='本站')]where条件存在两种写法，一种是将待匹配的属性和值以key=value形式书写，例如上述的where(age=20)，此种写法仅能依据值是否完全一致进行匹配，无法依据值的大小进行筛选，若写成如下形式将会报错：
node = node_matcher.match("Person").where(age>20).first() # 错误 若需依据值的大小筛选或进行字符串模糊匹配，可将条件表达式写为字符串并整体置于where语句中，在该字符串中可使用 _ 代指匹配到的节点。以下两个示例，第一个用于匹配work属性符合“月亮XX”模式的Person节点，第二个用于匹配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='本站'),
Node('Person', age=30, name='张张', work='本站'),
Node('Person', 'Teacher', age=45, name='赵赵', work='月亮中学')]将NodeMatcher返回的结果转换为Node数据类型或Node列表后，访问其属性变得十分简便，例如上述最后一个示例的结果，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方法包含三个及以上参数：
- 第一个参数为节点序列或set，可为None，为None时表示任意节点均可；
- 第二个参数为关系类型，可为None，为None时表示任意类型的关系均可；
- 从第三个参数开始为待匹配的属性，需写成key=value的形式。
match方法的返回值为RelationshipMatcher类型，需通过first转换为Relationship数据结构，或转换为list。
举例说明：
例1：例如想要查询“李李”节点的所有关系。先查询出该节点，再查询其关系，其中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='本站'), Node('Location', name='禄口机场'), date='2021/7/16', stay_hours=1),
同事(Node('Person', age=20, name='李李', work='本站'), Node('Person', age=30, name='张张', work='本站')),
同事(Node('Person', age=20, name='李李', work='本站'), Node('Person', age=35, name='王王', work='本站'))]
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。因此在整个图中“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='本站'), Node('Person', age=20, name='李李', work='本站'))]
例3：查询图中某一类关系，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='本站'), Node('Person', age=30, name='张张', work='本站')),
同事(Node('Person', age=20, name='李李', work='本站'), Node('Person', age=35, name='王王', work='本站')),
同事(Node('Person', age=35, name='王王', work='本站'), Node('Person', age=20, name='李李', work='本站')),
同事(Node('Person', age=30, name='张张', work='本站'), Node('Person', age=20, name='李李', work='本站'))]
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='本站'), 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='本站'), 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“本站”。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='本站' \
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='本站')),
同事(Node('Person', age=30, name='张张', work='本站'),
Node('Person', age=20, name='李李', work='本站')),
同事(Node('Person', age=20, name='李李', work='本站'),
Node('Person', age=35, name='王王', work='本站')))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
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的资料请关注本站其它相关文章！
免责声明：本文内容仅供参考，不代表本站观点。转载或引用请注明出处。
