memgraph是用于静态或实时图分析的开源内存中图表计算平台。它拥有一组在C ++中实现的高度优化的图形算法，还提供了在Python，C/C ++或Rust中创建自定义过程的可能性。阅读how to explore your NetworkX graphs with Memgraph以了解与NetworkX相比使用Memgraph的好处。

最受欢迎的图形算法之一是Pagerank算法，最初由Google Search使用在其搜索引擎结果中对网页进行排名。 Pagerank有许多实现，而NetworkX和Memgraph则具有他们的作用。让我们找出示例数据集上哪个更快！

数据集

NetworkX和Memgraph Pagerank可以并且将从Memgraph运行，因为在Memgraph中，可以通过Python程序扩展Cypher查询语言。在其中一个过程中，我们将利用NetworkX库。

memgraph的视觉界面Memgraph Lab具有一系列数据集，可用于各种图形实验和探索。为此比较的数据集是由78,181个节点和310,227个关系制成的Wikipedia文章数据集。 Wikipedia文章数据集可以从数据集部分导入到数据库中。

可以在 Graph架构部分中生成Wikipedia文章数据集的图形数据模型，以更好地了解数据集中的节点和关系如何相互交互。

Wikipedia文章数据集足够大，可以获得显着的结果，以比较Memgraph和NetworkX的Pagerank算法。可以在更大的数据集上进行比较，但是NetworkX可以很快地吞噬内存，并且这种用例是Memgraph所能没有进行测试的问题或需要的选择。

自定义查询模块

memgraph与NetworkX集成在一起，这意味着它可以将NetworkX图以及使用NetworkX库的一组NetworkX算法和算法转换为memgraph图。 Memgraph内部的NetworkX算法已优化，以获得最佳性能并在Memgraph Digraph对象上运行。

自定义查询模块允许我们在网络X Digraph对象上运行NetworkX Pagerank算法，而不是在Memgraph Digraph对象上运行它以进行更公平的比较。可以通过创建新模块在查询模块部分中开发自定义查询模块。名称是根据偏好给出的，我们将其称为查询模块measure。

以下是用于比较的自定义查询模块的代码：

import mgp
import networkx as nx

@mgp.read_proc
def pagerank(ctx: mgp.ProcCtx) -> mgp.Record(node=mgp.Vertex, rank=float):

    g = nx.DiGraph()
    g.add_nodes_from(ctx.graph.vertices)
    for v in ctx.graph.vertices:
        g.add_edges_from([(edge.from_vertex, edge.to_vertex) for edge in v.in_edges])

    pg = nx.pagerank(g, tol=1e-05)

    return [mgp.Record(node=k, rank=v) for k, v in pg.items()]

在查询模块中，Procedure Pagerank从上下文中提取图形，并创建一个NetworkX Digraph的实例。然后，网络X Pagerank算法在该挖掘机上运行。

自定义查询模块的过程由查询执行部分运行。使用以下cypher查询来调用来自测量查询模块的pagerank()过程：

CALL measure.pagerank() YIELD node, rank;

如果您有兴趣使用Memgraph开发自定义查询模块，请前往我们的documentation并了解更多信息。

比较

为了获得最佳比较，Memgraph的get()过程是从pagerank模块中调用的，并且从measure模块中调用了自定义过程pagerank()。返回结果的数量限制为1，因为如果结果被过滤或不限于限制，则不必要的时间会被计数。

以下是Wikipedia文章数据集上Memgraph的Pagerank的结果：

这是同一数据集上NetworkX的Pagerank的结果：

memgraph在Wikipedia文章数据集量表（78,181个节点和310,227个关系）上执行Pagerank算法时，

memgraph比NetworkX快5倍以上！