主流圖演算法庫比較

一、傳統圖演算法

1、networkx 需要掌握 速度太慢，但是作為主流的python中的graph構建工具，dgl pyg stellargraph 等，都直接支援networkx的輸入 因此networkx的基本使用最好可以掌握一下

2、igraph 需要掌握 功能齊全，速度很不錯，作為中小型nodes的傳統圖演算法

3、graph tools 功能太少

4、networkit 功能和速度中庸

5、snap 功能和速度中庸

二、深度圖演算法

1、ge 功能齊全，速度較慢，取樣方面的實現做了最佳化——多程序和拒絕取樣；

2、dgl 目前基本沒有實現graph embedding的功能，dgl在GCN等圖深度網路的最佳化比較好，在使用圖深度網路的時候可以考慮優先使用；

3、pyg 目前僅實現了node2vec（deepwalk）的功能，其它graph embedding的演算法沒有實現，在GCN等的最佳化上略遜於dgl，但是優點在於實現的比較完整，考慮到初期接觸GCN等深度圖網路並不一定需要用到太多的模型，所以優先學習使用dgl跟推薦一些

4、openne 功能齊全，使用困難，擴充套件性一般，只能在linux使用；

5、graphvite 目前可以說是最好的graph embedding的使用工具了，優點在於直接進行了cuda程式設計繞過了主流的深度學習框架，能夠支援海量高效的embedding，並且實現的功能也比較多比較齊全，缺點就是安裝非常麻煩，並且只能支援帶gpu的環境

6、stellargraph tensorflow實現的圖演算法庫 效能整體一般，node2vec的底層設計和ge基本是一樣的，但是取樣方法沒做最佳化，導致取樣很慢

7、tf_geometric tensorflow的官方圖演算法庫，目前還在開發中