pypetgraph 1.0.1

High-performance Python bindings for the Rust petgraph library with asyncio support

🦀 pypetgraph

pypetgraph 是基于 Rust 著名图计算库 petgraph 的 Python 高性能封装。它利用 PyO3 实现了近乎原生的 Rust 计算速度，支持在节点和边上存储任意 Python 对象，并针对多核并发和异步 IO 进行了深度优化。

📖 详细 API 参阅文档 →

---

✨ 核心特性

• 极致性能：核心逻辑由 Rust 编写，比 NetworkX 等纯 Python 库快 10-100 倍。
• 内存高效：提供专门的 FastDiGraph（固定边权）和 CsrGraph（压缩存储）以应对大规模数据。
• 并发友好：重型算法在执行时会释放 GIL，支持真正的 Python 多线程并行计算。
• 异步原生：所有耗时算法均内置 _async 版本，无缝集成 asyncio。
• 多种结构：支持邻接列表、邻接矩阵、CSR 压缩格式以及基于哈希的 GraphMap。
• 类型安全：提供完整的 .pyi 类型提示文件，支持现代 IDE 的自动补全与静态检查。

---

🛠 安装 (Installation)

1. 使用 pip (Standard)

你可以直接通过 PyPI 安装已发布的预编译版本：

pip install pypetgraph

2. 使用 uv (Modern)

推荐使用现代高性能工具 uv：

uv add pypetgraph

3. 从源码构建 (Development)

如果你需要最新的开发版本，可以从源码本地编译：

git clone https://github.com/twn39/pypetgraph
cd pypetgraph
uv run maturin develop --release

---

🚀 快速上手

1. 通用图 (DiGraph)

支持挂载任何 Python 对象（字典、自定义类、字符串等）。

from pypetgraph import DiGraph

g = DiGraph()
n0 = g.add_node({"name": "Beijing", "type": "city"})
n1 = g.add_node({"name": "Shanghai", "type": "city"})
g.add_edge(n0, n1, {"distance": 1200, "traffic": "heavy"})

# 结构化分析
print(f"Has cycle: {g.is_cyclic()}")
print(f"SCCs: {g.tarjan_scc()}")

2. 异步计算

利用 _async 方法，在不阻塞事件循环的情况下执行复杂图计算：

import asyncio
from pypetgraph import FastDiGraph

async def main():
    g = FastDiGraph.from_edges([(0, 1, 1.0), (1, 2, 2.0), (0, 2, 5.0)])
    
    # 异步计算全源最短路径
    result = await g.floyd_warshall_async()
    print(f"Shortest path 0->2: {result[0][2]}") # 输出 3.0

asyncio.run(main())

---

🗺 API 概览

核心图类

类名	特性	权重类型	最佳场景
DiGraph	有向邻接列表	Any	通用有向图，需要存储复杂对象
UnGraph	无向邻接列表	Any	通用无向图
FastDiGraph	数值优化图	f64	最高算法性能，纯数值计算
StableDiGraph	索引稳定图	Any	频繁删除节点但需保持原有索引不变
IntGraphMap	整数哈希图	Any	节点 ID 为离散整数的极简结构
MatrixDiGraph	邻接矩阵	f64	密集图 (Dense Graph)
CsrGraph	压缩稀疏行	f64	海量节点的只读静态图

支持算法

类别	算法	特性
最短路径	dijkstra, astar, floyd_warshall, k_shortest_path	支持 _async，完全释放 GIL
负权处理	bellman_ford	仅限 FastDiGraph, MatrixDiGraph, CsrGraph
遍历	bfs, dfs	高效迭代器实现
连通性	tarjan_scc, kosaraju_scc, connected_components	强连通分量与弱连通分量
拓扑分析	toposort, is_cyclic, is_bipartite, is_isomorphic	结构完整性检查
重要度	page_rank	用于节点排名与重要性评估

---

📈 性能表现 (Benchmarks)

在处理大规模图数据时，pypetgraph 相比纯 Python 实现（如 NetworkX）具有压倒性优势。

1. 内存占用对比

在存储 10 万节点 和 100 万条边 的随机图时：

库	内存占用	节省
NetworkX	~318.5 MB	-
pypetgraph (FastDiGraph)	~20.7 MB	93.5% 📉

2. 算法速度对比

基于 5000 节点、5 万边的中型图测试：

算法	NetworkX	pypetgraph	提升
Dijkstra (最短路径)	~6.3 ms	~0.9 ms	7x 🚀
PageRank (50次迭代)	~19.5 ms	~17.5 ms	等同/略快
SCC (强连通分量)	较慢	极快	10x+

---

🧪 开发与测试

uv run pytest                      # 运行所有测试 (包含 sync/async)
uv run pytest tests/test_performance.py -s  # 运行性能基准测试
uv run ruff check .                # 代码风格检查

---

许可证

本项目采用 MIT 许可证。