node2vec是一个用于图表示学习的算法框架。给定任何图，它可以学习节点的连续特征表示，然后可以用于各种下游机器学习任务。从下图中我们可以观察到，节点u和节点s1属于相同的紧密联结社区，u和s6在这两个不同的社区中扮演相同的结构角色——中心节点。现实世界的网络通常表现出这种混合。因此，必须考虑一种灵活的算法，该算法可以学习遵守两个原则的节点表示：将来自同一网络社区的节点紧密嵌入在一起的表示的能力

官方API一、启动igraph将igraph的对象和方法导入，要检查igraph的版本，就可以执行以下操作：import igraphprint(igraph.__version__)或将其所有的对象和方法导入主python命名空间from igraph import *二、创建图表创建一个空的无向图，并将其分配给变量gg = Graph()添加顶点，add_vertices()方法将给定数量的顶

一、数据集介绍PimaIndiansdiabetes.csv这个数据集的原始数据来自国家糖尿病消化和肾病机构。数据集的目的是基于数据集中确定的诊断测量指标来预测一个患者是否患有糖尿病。在从更大的数据库中选择这些实例时受到了一些限制。特别是，所有收录于数据集的患者都是至少21周岁的皮马印第安女性。数据集包括多个医学预测变量和一个目标变量。预测变量包括患者的怀孕次数，她们的BMI指数，胰岛素水平，年龄