圖譜構(gòu)建實(shí)戰(zhàn)：數(shù)據(jù)清洗、Neo4j導(dǎo)入與可視化)
簡(jiǎn)介這套資源定位為中醫(yī)藥知識(shí)圖譜實(shí)踐入門(mén)材料聚焦中藥與方劑兩類(lèi)核心實(shí)體及其關(guān)系建模適合計(jì)算機(jī)、人工智能及中醫(yī)藥信息學(xué)方向?qū)W生用于課程設(shè)計(jì)、畢業(yè)設(shè)計(jì)或科研起步。包內(nèi)包含17個(gè)文件共1.82MB以Python腳本、JSON結(jié)構(gòu)化數(shù)據(jù)、SVG圖譜、HTML交互頁(yè)面及Markdown文檔為主其中py文件負(fù)責(zé)圖譜構(gòu)建與關(guān)系推理JSON數(shù)據(jù)為清洗后的實(shí)體關(guān)系集SVG與HTML可直接呈現(xiàn)節(jié)點(diǎn)和路徑。已有38人學(xué)習(xí)/下載適合直接對(duì)照README運(yùn)行驗(yàn)證無(wú)需復(fù)雜配置即可一鍵生成知識(shí)圖譜。資源不只提供可運(yùn)行代碼還配有自動(dòng)生成的可視化結(jié)果和詳細(xì)文檔便于理解屬性分布與路徑推理二次開(kāi)發(fā)空間大可擴(kuò)展實(shí)體類(lèi)型、接入Neo4j圖數(shù)據(jù)庫(kù)或?qū)又嗅t(yī)問(wèn)答模塊。需注意版權(quán)聲明僅限學(xué)習(xí)參考禁止商用。1. 中藥知識(shí)圖譜不再靠翻閱教材查關(guān)系做中醫(yī)藥數(shù)據(jù)分析的人大概率都經(jīng)歷過(guò)這種尷尬要回答“哪些方劑同時(shí)包含黃芪和當(dāng)歸”“某味藥的歸經(jīng)在教材里寫(xiě)了三處不一致”只能靠人工翻書(shū)、復(fù)制粘貼到Excel里慢慢比。知識(shí)圖譜這套資源解決的核心問(wèn)題就是把“查數(shù)據(jù)”變成“查關(guān)系”。它的產(chǎn)物是一份可運(yùn)行的Python工程清洗好的中藥與方劑結(jié)構(gòu)化數(shù)據(jù)、Neo4j圖譜模型、SVG可視化圖譜和配套文檔。適合正在做中醫(yī)藥信息化的開(kāi)發(fā)者、剛接觸知識(shí)圖譜想找實(shí)戰(zhàn)樣本的研究者以及需要在本地搭一套演示系統(tǒng)的工程師。數(shù)據(jù)量不大但正好覆蓋從建庫(kù)到可視化的完整鏈路。2. 先立本體后造數(shù)據(jù)實(shí)體、關(guān)系與結(jié)構(gòu)化CSV規(guī)范2.1 為什么要先花時(shí)間定本體做知識(shí)圖譜最容易犯的錯(cuò)是一上來(lái)就寫(xiě)爬蟲(chóng)、拉數(shù)據(jù)等數(shù)據(jù)堆到幾千條再想怎么建模。結(jié)果就是邊清洗邊改實(shí)體定義改到一半發(fā)現(xiàn)“藥”和“藥材”沒(méi)統(tǒng)一“方劑”和“處方”各有一套ID后續(xù)所有查詢(xún)都得打補(bǔ)丁。這套資源給出的順序是標(biāo)準(zhǔn)的自頂向下先畫(huà)本體再寫(xiě)映射表最后才處理數(shù)據(jù)。核心本體只有四類(lèi)實(shí)體和六類(lèi)關(guān)系不追求覆蓋全部中醫(yī)概念但保證每個(gè)查詢(xún)路徑閉環(huán)。定本體的核心問(wèn)題就三個(gè)實(shí)體分幾類(lèi)、關(guān)系叫什么名字、屬性保留哪些。這里做的是經(jīng)典三元組設(shè)計(jì)實(shí)體有中藥、方劑、疾病/癥狀、藥對(duì)。關(guān)系的命名角度刻意用了最貼近原文的謂詞比如“主治”“組成”“歸經(jīng)”“配伍”而不是“has_symptom”這類(lèi)為了泛化而犧牲可讀性的叫法。原因是中醫(yī)藥查詢(xún)場(chǎng)景里領(lǐng)域用戶(hù)習(xí)慣直接看到“某方劑組成含某藥”這種自然映射代碼里多寫(xiě)幾個(gè)空格比解釋命名規(guī)范省時(shí)間。2.2 實(shí)體與關(guān)系的三元組拆法整套圖譜實(shí)際落地的三元組結(jié)構(gòu)如下表導(dǎo)入時(shí)就是按這張表寫(xiě)映射腳本。頭實(shí)體關(guān)系尾實(shí)體舉例方劑組成中藥四君子湯 — 組成 → 人參中藥歸經(jīng)經(jīng)絡(luò)/臟腑黃芪 — 歸經(jīng) → 脾經(jīng)中藥主治疾病/癥狀麻黃 — 主治 → 風(fēng)寒感冒中藥藥性屬性值附子 — 藥性 → 大熱方劑主治疾病/癥狀麻黃湯 — 主治 → 惡寒發(fā)熱中藥配伍中藥柴胡 — 配伍 → 黃芩注意“藥對(duì)”這一類(lèi)在表里其實(shí)是以“配伍”關(guān)系出現(xiàn)的沒(méi)有單獨(dú)建成實(shí)體節(jié)點(diǎn)。這樣做的好處是查詢(xún)“與某味藥存在配伍關(guān)系的所有藥”就是一次關(guān)系遍歷不必把藥對(duì)表單獨(dú)維護(hù)成節(jié)點(diǎn)再映射。已經(jīng)整理好的CSV數(shù)據(jù)里也保持了同樣的結(jié)構(gòu)看完可以直接對(duì)比原始表格和體現(xiàn)本體的schema文件。2.3 把教材內(nèi)容整理成結(jié)構(gòu)化CSV的分字段設(shè)計(jì)拿到手的數(shù)據(jù)文件里中藥表有幾個(gè)實(shí)際用得上、又容易在清洗階段被忽略的字段藥材名、別名、性味、歸經(jīng)、功效、主治、使用注意。方劑表是方名、組成、功用、主治、用法。最值得留意的字段是“組成”原始整理時(shí)很多方子的組成文本是“黃芪三錢(qián)、當(dāng)歸二錢(qián)”這種混合寫(xiě)法不是標(biāo)準(zhǔn)結(jié)構(gòu)化數(shù)據(jù)。因此腳本里專(zhuān)門(mén)寫(xiě)了組成字段的轉(zhuǎn)換規(guī)則拆出中藥名和劑量?jī)蓚€(gè)子字段再映射到中藥表的ID。那種“三錢(qián)”“二錢(qián)”之類(lèi)的古劑量單位沒(méi)有統(tǒng)一換算成克保留原文只是在建圖譜時(shí)把劑量當(dāng)作屬性放在“組成”關(guān)系上而不是塞進(jìn)藥名節(jié)點(diǎn)。這個(gè)決定挺重要因?yàn)橐坏┰跀?shù)據(jù)層做了換算不少方劑考證時(shí)就會(huì)失真。清洗后的CSV可以在后續(xù)步驟里直接交給CQL腳本導(dǎo)入。3. Python數(shù)據(jù)工程爬取、清洗與去重的關(guān)鍵代碼3.1 數(shù)據(jù)來(lái)源怎么選、邊界在哪數(shù)據(jù)不是隨手抓的源頭的可信度直接決定這圖譜能不能拿出來(lái)給人看。資源里的數(shù)據(jù)來(lái)源是公開(kāi)的中醫(yī)藥數(shù)據(jù)庫(kù)與整理好的教材附錄不依賴(lài)某個(gè)特定網(wǎng)站的在線(xiàn)接口因?yàn)樵诰€(xiàn)接口隨時(shí)可能改版而且不少頁(yè)面對(duì)請(qǐng)求頻率有限制。整理方式就是把這部分公開(kāi)資料下載成結(jié)構(gòu)化表格后做清洗。邊界也說(shuō)明一下這份圖譜的數(shù)據(jù)覆蓋范圍是常見(jiàn)中藥和經(jīng)典方劑不是全量醫(yī)學(xué)知識(shí)庫(kù)像少數(shù)民族藥、地方習(xí)用藥材基本沒(méi)納入。做藥物研發(fā)、臨床決策支持這類(lèi)嚴(yán)肅用途數(shù)據(jù)量是不夠的但做教學(xué)演示、文獻(xiàn)計(jì)量、中醫(yī)藥知識(shí)問(wèn)答原型這份數(shù)據(jù)量級(jí)剛剛好。3.2 清洗腳本別名、炮制、劑量與單位規(guī)范化拿到CSV之后第一件事是統(tǒng)一命名因?yàn)椤包S芪”和“炙黃芪”在原始數(shù)據(jù)里經(jīng)常出現(xiàn)兩個(gè)完全獨(dú)立的行而圖譜里需要表達(dá)“炙黃芪是黃芪的炮制品”。這里用了一個(gè)很樸素的做法規(guī)避在中藥表里增加“基原名”字段炙黃芪、生黃芪這類(lèi)行的基原名字段都指向黃芪。這樣既能保留炮制差異又不至于把節(jié)點(diǎn)數(shù)量膨脹一倍。對(duì)于這種清洗邏輯項(xiàng)目里的清洗腳本大概是這樣的思路import pandas as pd # 讀取原始中藥表格式name, alias, property, meridian, efficacy, indications df pd.read_csv(raw_herbs.csv, encodingutf-8-sig) # 炮制規(guī)范化對(duì)常見(jiàn)的炮制前綴做映射保留到炮制品字段 processed_patterns {炙, 炒, 生, 煅, 酒} def normalize_name(name): pure_name name processed_flag None for prefix in processed_patterns: if name.startswith(prefix) and len(name) 1: pure_name name[len(prefix):] processed_flag prefix break return pure_name, processed_flag df[[pure_name, processed_flag]] df[name].apply( lambda x: pd.Series(normalize_name(x)) ) df.to_csv(herbs_normalized.csv, indexFalse, encodingutf-8-sig) print(f共處理 {len(df)} 條中藥記錄保留原始name字段不變)邏輯說(shuō)明先把原字段保留一份然后拆出“純藥名”和“炮制標(biāo)記”。這樣關(guān)系導(dǎo)入時(shí)節(jié)點(diǎn)歸到純藥名屬性里保留炮制信息。參數(shù)上processed_patterns集合可以根據(jù)實(shí)際數(shù)據(jù)繼續(xù)加前綴比如“鹽”“麩炒”需要改集合就行。清洗之后原始name字段仍然留著方便溯源。3.3 去重與實(shí)體對(duì)齊等價(jià)類(lèi)合并的通用寫(xiě)法數(shù)據(jù)清洗里最耗時(shí)間的不是字段規(guī)整而是實(shí)體對(duì)齊。同一種藥在不同方劑里可能寫(xiě)作“甘草”或“炙甘草”同一首方劑在數(shù)據(jù)里可能一個(gè)叫“麻杏石甘湯”、一個(gè)叫“麻黃杏仁甘草石膏湯”。不對(duì)齊的話(huà)圖查詢(xún)時(shí)會(huì)出現(xiàn)明明是一個(gè)實(shí)體卻分裂成兩個(gè)節(jié)點(diǎn)關(guān)系路徑全部斷裂。資源里的對(duì)齊方式是“別名表 歸一化鍵”。每個(gè)實(shí)體在CSV里預(yù)置一個(gè)canonical_id字段別名表里存了至少幾十個(gè)常見(jiàn)異名映射。代碼執(zhí)行時(shí)先按照canonical_id合并合并后重新分配內(nèi)部ID同時(shí)保留別名表為查詢(xún)提供入口。import json # 讀取合并規(guī)則canonical_id - 標(biāo)準(zhǔn)實(shí)體名 with open(alignment_rules.json, encodingutf-8) as fp: rules json.load(fp) # 原則所有別名都映射到標(biāo)準(zhǔn)名不做模糊匹配 def get_canonical(raw_name: str) - str: return rules.get(raw_name, raw_name) df[canonical_name] df[name].map(get_canonical) # 按canonical_name分組合并別名取合并集的并集 merged ( df.groupby(canonical_name, as_indexFalse) .agg({name: lambda x: |.join(set(x)), efficacy: first, meridian: first}) ) print(f合并前 {len(df)} - 合并后 {len(merged)} 個(gè)標(biāo)準(zhǔn)中藥實(shí)體)邏輯說(shuō)明關(guān)鍵是get_canonical函數(shù)沒(méi)有做任何相似度計(jì)算完全靠對(duì)齊規(guī)則表做精確映射。理由很實(shí)際中醫(yī)藥名詞相似不等于同物“當(dāng)歸尾”和“當(dāng)歸”就差一個(gè)字功效完全不同拼音或編輯距離一類(lèi)算法會(huì)引入大量噪聲。對(duì)齊規(guī)則表雖然維護(hù)起來(lái)費(fèi)功夫但對(duì)錯(cuò)完全可控也比訓(xùn)練一個(gè)NER模型輕量得多。從這里能明顯看到數(shù)據(jù)工程環(huán)節(jié)大約貢獻(xiàn)了整份資源一半以上的價(jià)值建圖譜本身反而只占用很少時(shí)間。4. 入庫(kù)Neo4jCQL建模與查詢(xún)驗(yàn)證4.1 為什么選Neo4j而不是純文件存儲(chǔ)數(shù)據(jù)清洗完之后面臨的決策是存在哪里。直接存成JSON或者SQLite也能做查詢(xún)但知識(shí)圖譜查詢(xún)本質(zhì)上是多跳關(guān)系遍歷。舉個(gè)例子“找出使用含黃芪的方劑來(lái)治療氣虛感冒的路徑”純文件存儲(chǔ)需要先把方劑表全部讀入內(nèi)存再循環(huán)匹配組成字段和主治字段復(fù)雜度高不說(shuō)代碼也難維護(hù)。Neo4j的Cypher查詢(xún)對(duì)這種路徑檢索是原生支持的一條MATCH語(yǔ)句就能表達(dá)三跳以?xún)?nèi)的全部路徑。這套資源自帶Neo4j的Cypher導(dǎo)入腳本和完整數(shù)據(jù)文件不需要自己從零寫(xiě)ORM層。4.2 CQL建節(jié)點(diǎn)與關(guān)系參數(shù)化導(dǎo)入的寫(xiě)法節(jié)點(diǎn)導(dǎo)入用的是Cypher的LOAD CSV語(yǔ)句腳本里分成兩步先建節(jié)點(diǎn)再建關(guān)系。節(jié)點(diǎn)使用MERGE而不是CREATE重復(fù)跑腳本不會(huì)制造重復(fù)節(jié)點(diǎn)這是部署的時(shí)候很省心的設(shè)計(jì)。// 導(dǎo)入中藥節(jié)點(diǎn)文件路徑是neo4j import目錄下的herbs_normalized.csv LOAD CSV WITH HEADERS FROM file:///herbs_normalized.csv AS row MERGE (h:Herb {id: row.canonical_name}) ON CREATE SET h.alias row.alias, h.efficacy row.efficacy, h.meridian row.meridian, h.taste row.taste, h.property row.property這段腳本的邏輯是一次性導(dǎo)入全部中藥字段。注意點(diǎn)是最底層的MERGE只以canonical_name作為唯一標(biāo)識(shí)也就意味著前面清洗階段的實(shí)體對(duì)齊質(zhì)量直接決定最終圖譜的節(jié)點(diǎn)數(shù)量。如果在清洗階段沒(méi)做別名合并同一個(gè)藥會(huì)被拆成多個(gè)節(jié)點(diǎn)這個(gè)坑在下一章會(huì)專(zhuān)門(mén)展開(kāi)。屬性上alias字段可以直接存豎線(xiàn)分隔的字符串表Neo4j里用split()函數(shù)查詢(xún)時(shí)再展開(kāi)不必在導(dǎo)入階段建數(shù)組。關(guān)系導(dǎo)入需要兩張表的連接操作Cypher里寫(xiě)在LOAD CSV語(yǔ)句的WHERE子句中匹配方劑表和中藥表// 導(dǎo)入“組成”關(guān)系一行一個(gè)方劑-中藥對(duì) LOAD CSV WITH HEADERS FROM file:///formula_composition.csv AS row MATCH (f:Formula {id: row.formula_id}) MATCH (h:Herb {id: row.herb_canonical_name}) MERGE (f)-[r:COMPOSE {quantity: row.dosage}]-(h)邏輯說(shuō)明先匹配兩端的節(jié)點(diǎn)再用MERGE建關(guān)系關(guān)系上掛dosage劑量屬性。這里的關(guān)系名用了COMPOSE而不是CONTAINS。因?yàn)檎Z(yǔ)義上方劑是“組成”的主動(dòng)方關(guān)系讀起來(lái)應(yīng)該是Formula -[COMPOSE]- Herb這樣在后續(xù)做方劑拆解分析時(shí)Cypher查詢(xún)可以順著COMPOSE關(guān)系從方劑出發(fā)遍歷到所有藥材語(yǔ)義更順。4.3 查詢(xún)驗(yàn)證歸經(jīng)、主治、配伍三條路徑圖譜建好之后第一步不是急著做上層應(yīng)用而是先跑三條校驗(yàn)查詢(xún)驗(yàn)證數(shù)據(jù)沒(méi)有丟失或錯(cuò)位。歸經(jīng)查詢(xún)看的是從某味藥出發(fā)能到多少個(gè)經(jīng)絡(luò)節(jié)點(diǎn)主治查詢(xún)驗(yàn)證方劑到癥狀的路徑配伍查詢(xún)最有驗(yàn)證價(jià)值因?yàn)樗帉?duì)數(shù)據(jù)是后加的如果前置的實(shí)體對(duì)齊做得不對(duì)很多配伍記錄會(huì)指向不存在的藥材ID直接查不出來(lái)。// 查詢(xún)找出與黃芪有配伍關(guān)系的中藥及這些藥在方劑中的出現(xiàn)次數(shù) MATCH (h:Herb {id: 黃芪})-[:COMPOSE]-(f:Formula)-[:COMPOSE]-(other:Herb) WITH other, count(DISTINCT f) AS freq MATCH (h)-[:PAIR]-(other) RETURN other.id, other.efficacy, freq ORDER BY freq DESC LIMIT 20這段的重點(diǎn)是第一個(gè)MATCH先找“黃芪出現(xiàn)在哪些方劑里這些方劑還用了哪些其他藥”然后通過(guò)WITH把統(tǒng)計(jì)結(jié)果傳遞下去最后再匹配配伍關(guān)系。邏輯上是在做一種簡(jiǎn)單的關(guān)聯(lián)驗(yàn)證既然教材說(shuō)“黃芪-當(dāng)歸”是配伍藥對(duì)那圖譜里這兩味藥應(yīng)該在同首方劑中頻繁共現(xiàn)。如果查詢(xún)結(jié)果里某個(gè)配伍對(duì)的共現(xiàn)頻率是0基本可以斷定清洗階段實(shí)體對(duì)齊出了問(wèn)題回去看別名表就行。參數(shù)說(shuō)明freq的閾值一般取10以上才認(rèn)為共現(xiàn)有實(shí)際意義低于10的可能是偶然同方。LIMIT 20是為了先看排名實(shí)際使用中可以去掉限制輸出全量結(jié)果。這類(lèi)查詢(xún)跑一遍大概只需要幾十毫秒數(shù)據(jù)量在幾千條節(jié)點(diǎn)級(jí)別完全不會(huì)有性能壓力。5. SVG可視化圖譜生成避坑與常見(jiàn)問(wèn)題排查5.1 從關(guān)系數(shù)據(jù)到SVG力導(dǎo)向布局的計(jì)算邏輯Neo4j瀏覽器自帶可視化但做項(xiàng)目交付時(shí)總得把圖嵌入網(wǎng)頁(yè)或者導(dǎo)出成圖片。這套資源里的SVG圖譜是直接用Python從圖數(shù)據(jù)算出來(lái)的。核心邏輯并不是把Neo4j渲染的結(jié)果截圖而是導(dǎo)出節(jié)點(diǎn)關(guān)系JSON再用純Python計(jì)算力導(dǎo)向布局坐標(biāo)最終寫(xiě)成SVG文件。力導(dǎo)向布局的原理簡(jiǎn)述假設(shè)每個(gè)節(jié)點(diǎn)之間有斥力每條關(guān)系邊有彈簧一樣的引力迭代幾百輪之后讓整個(gè)圖穩(wěn)定下來(lái)。代碼里實(shí)際用的就是這種經(jīng)典模型迭代輪數(shù)設(shè)成了200次慣性系數(shù)0.9。參數(shù)太大圖會(huì)震蕩半天不收斂太小又容易陷在局部扭曲的布局里出不來(lái)。200輪在小圖數(shù)據(jù)上大概幾秒鐘跑完屬于安全取值。import json import math def compute_force_layout(nodes, edges, iterations200, damping0.9): # 初始化坐標(biāo)按圓心均勻分布 n len(nodes) for i, node in enumerate(nodes): node[x] 500 300 * math.cos(2 * math.pi * i / n) node[y] 400 300 * math.sin(2 * math.pi * i / n) for _ in range(iterations): for i, u in enumerate(nodes): for j, v in enumerate(nodes): if i j: continue dx v[x] - u[x] dy v[y] - u[y] dist max(math.hypot(dx, dy), 1e-6) # 斥力與距離平方成反比 force 6000 / (dist * dist) u[x] - force * dx / dist u[y] - force * dy / dist for edge in edges: u next(n for n in nodes if n[id] edge[source]) v next(n for n in nodes if n[id] edge[target]) dx v[x] - u[x] dy v[y] - u[y] dist max(math.hypot(dx, dy), 1e-6) # 引力距離越大拉力越強(qiáng) force 0.01 * dist u[x] force * dx / dist u[y] force * dy / dist v[x] - force * dx / dist v[y] - force * dy / dist return nodes # 讀取Neo4j導(dǎo)出的圖譜JSON with open(graph_export.json, encodingutf-8) as fp: graph_data json.load(fp) nodes compute_force_layout(graph_data[nodes], graph_data[edges]) print(f布局計(jì)算完成共 {len(nodes)} 個(gè)節(jié)點(diǎn))邏輯說(shuō)明先在圓周上做等角初始化保證初始狀態(tài)下節(jié)點(diǎn)不重疊這是防止布局收斂到局部極值的樸素有效做法。然后每次迭代分兩步先全網(wǎng)節(jié)點(diǎn)兩兩計(jì)算斥力再對(duì)所有關(guān)系邊計(jì)算引力。參數(shù)上6000是斥力常數(shù)單位面積越大節(jié)點(diǎn)越分散0.01是引力系數(shù)值越大圖越緊湊。實(shí)際調(diào)試時(shí)看生成的SVG如果中間擠成一團(tuán)就調(diào)大斥力常數(shù)如果邊長(zhǎng)得太長(zhǎng)就調(diào)大引力系數(shù)。5.2 渲染值節(jié)點(diǎn)顏色、大小、連邊粗細(xì)的調(diào)整布局算出來(lái)后渲染是另一個(gè)坑。中文節(jié)點(diǎn)名的長(zhǎng)度差異很大“四君子湯”和“丹參”的寬度差了四五個(gè)像素直接固定節(jié)點(diǎn)半徑會(huì)導(dǎo)致文字溢出或者節(jié)點(diǎn)間遮壓。這里實(shí)際用的策略是節(jié)點(diǎn)半徑根據(jù)名稱(chēng)長(zhǎng)度動(dòng)態(tài)計(jì)算最小半徑16像素每多一個(gè)字加2像素。顏色則按實(shí)體類(lèi)型映射——中藥用淺綠色方劑用淺藍(lán)色癥狀/疾病用淺橙色。關(guān)系連邊不設(shè)箭頭純直線(xiàn)粗細(xì)按關(guān)系出現(xiàn)的頻次加權(quán)共現(xiàn)實(shí)體之間的關(guān)系線(xiàn)更粗。import html def build_svg(nodes, edges): svg_parts [svg width1200 height900 xmlnshttp://www.w3.org/2000/svg] svg_parts.append(rect width1200 height900 fill#f8f9fa/) for edge in edges: u next(n for n in nodes if n[id] edge[source]) v next(n for n in nodes if n[id] edge[target]) stroke_width min(2 edge.get(weight, 1) * 0.5, 8) svg_parts.append( fline x1{u[x]:.1f} y1{u[y]:.1f} fx2{v[x]:.1f} y2{v[y]:.1f} fstroke#adb5bd stroke-width{stroke_width:.1f}/ ) for node in nodes: radius 16 2 * max(0, len(node[name]) - 2) color {herb: #a3d9a5, formula: #a0c4ff, disease: #ffc9a3}.get( node[type], #dee2e6 ) safe_name html.escape(node[name]) svg_parts.append( fcircle cx{node[x]:.1f} cy{node[y]:.1f} r{radius} ffill{color} stroke#495057 stroke-width1/ ) svg_parts.append( ftext x{node[x]:.1f} y{node[y]:.1f} ftext-anchormiddle dominant-baselinecentral ffont-size12 fill#212529{safe_name}/text ) svg_parts.append(/svg) return \n.join(svg_parts) svg_content build_svg(nodes, graph_data[edges]) with open(graph_visualization.svg, w, encodingutf-8) as fp: fp.write(svg_content) print(SVG文件已生成)邏輯說(shuō)明每個(gè)節(jié)點(diǎn)輸出兩個(gè)元素一個(gè)圓加一個(gè)文字標(biāo)簽。注意safe_name調(diào)用html.escape這是必須的。原始數(shù)據(jù)如果混入特殊字符直接拼接SVG會(huì)生成非法XML。stroke_width做上限控制到8避免高權(quán)重邊視覺(jué)上蓋過(guò)所有節(jié)點(diǎn)。這套SVG可以直接拿瀏覽器打開(kāi)也可以嵌進(jìn)HTML報(bào)告。想發(fā)布成網(wǎng)頁(yè)加一層img標(biāo)簽就夠了。5.3 避坑四條必須知道的踩坑記錄現(xiàn)象一部分藥材和方劑在Neo4j瀏覽器里有顯示SVG里卻找不到。 原因Neo4j瀏覽器會(huì)在結(jié)果集里默認(rèn)做關(guān)系展開(kāi)有些節(jié)點(diǎn)是查詢(xún)過(guò)程中動(dòng)態(tài)帶出來(lái)的并沒(méi)有真正存在于圖數(shù)據(jù)庫(kù)里。而SVG生成腳本讀的是顯式導(dǎo)出的節(jié)點(diǎn)表天然缺了這批虛擬節(jié)點(diǎn)。 解決導(dǎo)出前先在Cypher里跑一遍MATCH (n) RETURN n把所有節(jié)點(diǎn)落庫(kù)再執(zhí)行導(dǎo)出JSON。我自己每次倒數(shù)據(jù)前都會(huì)強(qiáng)制跑一次這個(gè)全量查詢(xún)?，F(xiàn)象二生成的SVG里節(jié)點(diǎn)和中文標(biāo)簽的位置錯(cuò)位文字全跑到圓外面。 原因字體寬度估算和SVG實(shí)際渲染寬度不一致。代碼用字符數(shù)估算中文寬度但Linux上渲染沒(méi)有中文字體時(shí)所有字形寬度幾乎一致計(jì)算完全失真。 解決在服務(wù)器上裝好中文字體或者把font-family顯式寫(xiě)成系統(tǒng)已有的中文字體名稱(chēng)。我在部署時(shí)發(fā)現(xiàn)最簡(jiǎn)單的方案是SVG里直接用family-name: sans-serif大多數(shù)現(xiàn)代瀏覽器和PDF渲染器都能自動(dòng)回退到系統(tǒng)中文?，F(xiàn)象三LOAD CSV導(dǎo)入時(shí)報(bào)“Couldnt load the external resource”錯(cuò)誤。 原因CSV文件名或路徑和Neo4j的import目錄配置不匹配常見(jiàn)的是中文文件名沒(méi)轉(zhuǎn)碼或者直接把文件放在了項(xiàng)目目錄而不是import目錄。 解決把CSV統(tǒng)一放進(jìn)NEO4J_HOME/import目錄且文件名全部改成拼音或英文比如herbs_normalized.csv不在路徑里保留中文?，F(xiàn)象四關(guān)系數(shù)量虛高圖譜邊密密麻麻SVG直接變成一團(tuán)線(xiàn)球。 原因原始數(shù)據(jù)里“主治”關(guān)系沒(méi)有區(qū)分主次一張方劑動(dòng)輒關(guān)聯(lián)幾十個(gè)癥狀全部建成關(guān)系后邊的數(shù)量是節(jié)點(diǎn)的十倍以上。 解決資源里給了一個(gè)解藥——為關(guān)系設(shè)置權(quán)重閾值只保留出現(xiàn)頻次超過(guò)閾值的關(guān)系。具體做法是在導(dǎo)出JSON時(shí)做個(gè)過(guò)濾低于閾值的關(guān)系直接丟棄。閾值通常取2到3低于2會(huì)丟失太多上下文高于5會(huì)過(guò)濾掉一大部分有效信息。6. 把圖譜能力往下沉拆方分析、替代藥味與問(wèn)答式查詢(xún)6.1 用圖譜距離找替代藥味知識(shí)圖譜建好了純粹放在那兒看結(jié)構(gòu)意義很有限它真正值錢(qián)的能力是關(guān)系推理。這里分享一個(gè)親測(cè)實(shí)用的技巧用圖譜距離來(lái)做替代藥推薦。思路很簡(jiǎn)單兩味藥如果和同一個(gè)方劑群體保持相似的關(guān)系模式那它們大概率能互相替代。Cypher里不需要復(fù)雜算法一次子圖匹配加Jaccard相似度計(jì)算就能給你一個(gè)不像從教材里翻出來(lái)的替代名單。// 找出與“黃芪”共現(xiàn)方劑相似度最高的前10味替代藥 MATCH (h:Herb {id: 黃芪})-[:COMPOSE]-(f:Formula) WITH h, collect(DISTINCT f.id) AS source_formulas MATCH (candidate:Herb)-[:COMPOSE]-(f2:Formula) WHERE candidate.id h.id WITH h, source_formulas, candidate, collect(DISTINCT f2.id) AS target_formulas WITH h, candidate, source_formulas, target_formulas, [x IN source_formulas WHERE x IN target_formulas].size() AS intersection WITH h, candidate, source_formulas.size() AS s_size, target_formulas.size() AS t_size, intersection WHERE s_size 0 AND t_size 0 RETURN candidate.id, intersection * 1.0 / (s_size t_size - intersection) AS jaccard ORDER BY jaccard DESC LIMIT 10這段查詢(xún)不是數(shù)學(xué)上的嚴(yán)格Jaccard但語(yǔ)義上完全一致交集方劑數(shù)除以并集方劑數(shù)。相似度高的候選藥意味著它們和黃芪出現(xiàn)在同一批方劑里替換風(fēng)險(xiǎn)從經(jīng)驗(yàn)層面被降下來(lái)了。實(shí)際使用時(shí)不要直接用輸出結(jié)果完稿我會(huì)把Top10拉出來(lái)再做一輪教材核對(duì)確認(rèn)功效分類(lèi)方向一致后才進(jìn)入實(shí)驗(yàn)報(bào)告。6.2 拆方分析把一首方劑變成知識(shí)點(diǎn)子圖另一個(gè)實(shí)用的進(jìn)階用法是拆方。把一首方劑從“組成”關(guān)系出發(fā)順藤摸瓜找出每味藥的歸經(jīng)、主治和藥對(duì)關(guān)系然后渲染成一張局部子圖。這個(gè)過(guò)程特別適合做課程設(shè)計(jì)或教學(xué)演示能把一張方劑背后的知識(shí)網(wǎng)絡(luò)完整體現(xiàn)出來(lái)。// 提取一首方劑的完整知識(shí)子圖 MATCH (f:Formula {name: 四君子湯})-[:COMPOSE]-(h:Herb) MATCH (h)-[:MERIDIAN]-(m) MATCH (h)-[:INDICATES]-(d) RETURN f, h, m, d這個(gè)查詢(xún)出結(jié)果之后我用前面的SVG腳本重新生成一張獨(dú)立圖譜四君子湯在中心人參、白術(shù)、茯苓、甘草圍繞在四周每一個(gè)藥再展開(kāi)歸經(jīng)和主治。效果比任何文字描述都直觀(guān)。對(duì)做答辯演示或者組內(nèi)分享的人這一招節(jié)省的時(shí)間非?？捎^(guān)。6.3 把SVG快照接進(jìn)日?qǐng)?bào)的一個(gè)小習(xí)慣最后分享一個(gè)最簡(jiǎn)單的落地技巧SVG文件不能直接在Windows照片查看器里打開(kāi)總覺(jué)得不方便所以我每次都順手多做一步用Python的cairosvg庫(kù)把SVG轉(zhuǎn)成PNG。代碼只有一行。cairosvg graph_visualization.svg -o graph_visualization.png --output-width 1200 --output-height 900這樣得到的PNG能直接在文檔、課件、周報(bào)里引用。從那以后我每次換數(shù)據(jù)源跑完圖譜流程都會(huì)強(qiáng)制走一遍“導(dǎo)出JSON → 計(jì)算布局 → 生成SVG → 轉(zhuǎn)PNG”四步確認(rèn)每個(gè)節(jié)點(diǎn)都渲染出來(lái)再往下做分析。希望這個(gè)工作流對(duì)你也有用少走點(diǎn)我當(dāng)年踩過(guò)的彎路。本文還有配套的精品資源點(diǎn)擊獲取 中藥知識(shí)圖譜構(gòu)建實(shí)戰(zhàn)：數(shù)據(jù)清洗、Neo4j導(dǎo)入與可視化
簡(jiǎn)介這套資源定位為中醫(yī)藥知識(shí)圖譜實(shí)踐入門(mén)材料聚焦中藥與方劑兩類(lèi)核心實(shí)體及其關(guān)系建模適合計(jì)算機(jī)、人工智能及中醫(yī)藥信息學(xué)方向?qū)W生用于課程設(shè)計(jì)、畢業(yè)設(shè)計(jì)或科研起步。包內(nèi)包含17個(gè)文件共1.82MB以Python腳本、JSON結(jié)構(gòu)化數(shù)據(jù)、SVG圖譜、HTML交互頁(yè)面及Markdown文檔為主其中py文件負(fù)責(zé)圖譜構(gòu)建與關(guān)系推理JSON數(shù)據(jù)為清洗后的實(shí)體關(guān)系集SVG與HTML可直接呈現(xiàn)節(jié)點(diǎn)和路徑。已有38人學(xué)習(xí)/下載適合直接對(duì)照README運(yùn)行驗(yàn)證無(wú)需復(fù)雜配置即可一鍵生成知識(shí)圖譜。資源不只提供可運(yùn)行代碼還配有自動(dòng)生成的可視化結(jié)果和詳細(xì)文檔便于理解屬性分布與路徑推理二次開(kāi)發(fā)空間大可擴(kuò)展實(shí)體類(lèi)型、接入Neo4j圖數(shù)據(jù)庫(kù)或?qū)又嗅t(yī)問(wèn)答模塊。需注意版權(quán)聲明僅限學(xué)習(xí)參考禁止商用。1. 中藥知識(shí)圖譜不再靠翻閱教材查關(guān)系做中醫(yī)藥數(shù)據(jù)分析的人大概率都經(jīng)歷過(guò)這種尷尬要回答“哪些方劑同時(shí)包含黃芪和當(dāng)歸”“某味藥的歸經(jīng)在教材里寫(xiě)了三處不一致”只能靠人工翻書(shū)、復(fù)制粘貼到Excel里慢慢比。知識(shí)圖譜這套資源解決的核心問(wèn)題就是把“查數(shù)據(jù)”變成“查關(guān)系”。它的產(chǎn)物是一份可運(yùn)行的Python工程清洗好的中藥與方劑結(jié)構(gòu)化數(shù)據(jù)、Neo4j圖譜模型、SVG可視化圖譜和配套文檔。適合正在做中醫(yī)藥信息化的開(kāi)發(fā)者、剛接觸知識(shí)圖譜想找實(shí)戰(zhàn)樣本的研究者以及需要在本地搭一套演示系統(tǒng)的工程師。數(shù)據(jù)量不大但正好覆蓋從建庫(kù)到可視化的完整鏈路。2. 先立本體后造數(shù)據(jù)實(shí)體、關(guān)系與結(jié)構(gòu)化CSV規(guī)范2.1 為什么要先花時(shí)間定本體做知識(shí)圖譜最容易犯的錯(cuò)是一上來(lái)就寫(xiě)爬蟲(chóng)、拉數(shù)據(jù)等數(shù)據(jù)堆到幾千條再想怎么建模。結(jié)果就是邊清洗邊改實(shí)體定義改到一半發(fā)現(xiàn)“藥”和“藥材”沒(méi)統(tǒng)一“方劑”和“處方”各有一套ID后續(xù)所有查詢(xún)都得打補(bǔ)丁。這套資源給出的順序是標(biāo)準(zhǔn)的自頂向下先畫(huà)本體再寫(xiě)映射表最后才處理數(shù)據(jù)。核心本體只有四類(lèi)實(shí)體和六類(lèi)關(guān)系不追求覆蓋全部中醫(yī)概念但保證每個(gè)查詢(xún)路徑閉環(huán)。定本體的核心問(wèn)題就三個(gè)實(shí)體分幾類(lèi)、關(guān)系叫什么名字、屬性保留哪些。這里做的是經(jīng)典三元組設(shè)計(jì)實(shí)體有中藥、方劑、疾病/癥狀、藥對(duì)。關(guān)系的命名角度刻意用了最貼近原文的謂詞比如“主治”“組成”“歸經(jīng)”“配伍”而不是“has_symptom”這類(lèi)為了泛化而犧牲可讀性的叫法。原因是中醫(yī)藥查詢(xún)場(chǎng)景里領(lǐng)域用戶(hù)習(xí)慣直接看到“某方劑組成含某藥”這種自然映射代碼里多寫(xiě)幾個(gè)空格比解釋命名規(guī)范省時(shí)間。2.2 實(shí)體與關(guān)系的三元組拆法整套圖譜實(shí)際落地的三元組結(jié)構(gòu)如下表導(dǎo)入時(shí)就是按這張表寫(xiě)映射腳本。頭實(shí)體關(guān)系尾實(shí)體舉例方劑組成中藥四君子湯 — 組成 → 人參中藥歸經(jīng)經(jīng)絡(luò)/臟腑黃芪 — 歸經(jīng) → 脾經(jīng)中藥主治疾病/癥狀麻黃 — 主治 → 風(fēng)寒感冒中藥藥性屬性值附子 — 藥性 → 大熱方劑主治疾病/癥狀麻黃湯 — 主治 → 惡寒發(fā)熱中藥配伍中藥柴胡 — 配伍 → 黃芩注意“藥對(duì)”這一類(lèi)在表里其實(shí)是以“配伍”關(guān)系出現(xiàn)的沒(méi)有單獨(dú)建成實(shí)體節(jié)點(diǎn)。這樣做的好處是查詢(xún)“與某味藥存在配伍關(guān)系的所有藥”就是一次關(guān)系遍歷不必把藥對(duì)表單獨(dú)維護(hù)成節(jié)點(diǎn)再映射。已經(jīng)整理好的CSV數(shù)據(jù)里也保持了同樣的結(jié)構(gòu)看完可以直接對(duì)比原始表格和體現(xiàn)本體的schema文件。2.3 把教材內(nèi)容整理成結(jié)構(gòu)化CSV的分字段設(shè)計(jì)拿到手的數(shù)據(jù)文件里中藥表有幾個(gè)實(shí)際用得上、又容易在清洗階段被忽略的字段藥材名、別名、性味、歸經(jīng)、功效、主治、使用注意。方劑表是方名、組成、功用、主治、用法。最值得留意的字段是“組成”原始整理時(shí)很多方子的組成文本是“黃芪三錢(qián)、當(dāng)歸二錢(qián)”這種混合寫(xiě)法不是標(biāo)準(zhǔn)結(jié)構(gòu)化數(shù)據(jù)。因此腳本里專(zhuān)門(mén)寫(xiě)了組成字段的轉(zhuǎn)換規(guī)則拆出中藥名和劑量?jī)蓚€(gè)子字段再映射到中藥表的ID。那種“三錢(qián)”“二錢(qián)”之類(lèi)的古劑量單位沒(méi)有統(tǒng)一換算成克保留原文只是在建圖譜時(shí)把劑量當(dāng)作屬性放在“組成”關(guān)系上而不是塞進(jìn)藥名節(jié)點(diǎn)。這個(gè)決定挺重要因?yàn)橐坏┰跀?shù)據(jù)層做了換算不少方劑考證時(shí)就會(huì)失真。清洗后的CSV可以在后續(xù)步驟里直接交給CQL腳本導(dǎo)入。3. Python數(shù)據(jù)工程爬取、清洗與去重的關(guān)鍵代碼3.1 數(shù)據(jù)來(lái)源怎么選、邊界在哪數(shù)據(jù)不是隨手抓的源頭的可信度直接決定這圖譜能不能拿出來(lái)給人看。資源里的數(shù)據(jù)來(lái)源是公開(kāi)的中醫(yī)藥數(shù)據(jù)庫(kù)與整理好的教材附錄不依賴(lài)某個(gè)特定網(wǎng)站的在線(xiàn)接口因?yàn)樵诰€(xiàn)接口隨時(shí)可能改版而且不少頁(yè)面對(duì)請(qǐng)求頻率有限制。整理方式就是把這部分公開(kāi)資料下載成結(jié)構(gòu)化表格后做清洗。邊界也說(shuō)明一下這份圖譜的數(shù)據(jù)覆蓋范圍是常見(jiàn)中藥和經(jīng)典方劑不是全量醫(yī)學(xué)知識(shí)庫(kù)像少數(shù)民族藥、地方習(xí)用藥材基本沒(méi)納入。做藥物研發(fā)、臨床決策支持這類(lèi)嚴(yán)肅用途數(shù)據(jù)量是不夠的但做教學(xué)演示、文獻(xiàn)計(jì)量、中醫(yī)藥知識(shí)問(wèn)答原型這份數(shù)據(jù)量級(jí)剛剛好。3.2 清洗腳本別名、炮制、劑量與單位規(guī)范化拿到CSV之后第一件事是統(tǒng)一命名因?yàn)椤包S芪”和“炙黃芪”在原始數(shù)據(jù)里經(jīng)常出現(xiàn)兩個(gè)完全獨(dú)立的行而圖譜里需要表達(dá)“炙黃芪是黃芪的炮制品”。這里用了一個(gè)很樸素的做法規(guī)避在中藥表里增加“基原名”字段炙黃芪、生黃芪這類(lèi)行的基原名字段都指向黃芪。這樣既能保留炮制差異又不至于把節(jié)點(diǎn)數(shù)量膨脹一倍。對(duì)于這種清洗邏輯項(xiàng)目里的清洗腳本大概是這樣的思路import pandas as pd # 讀取原始中藥表格式name, alias, property, meridian, efficacy, indications df pd.read_csv(raw_herbs.csv, encodingutf-8-sig) # 炮制規(guī)范化對(duì)常見(jiàn)的炮制前綴做映射保留到炮制品字段 processed_patterns {炙, 炒, 生, 煅, 酒} def normalize_name(name): pure_name name processed_flag None for prefix in processed_patterns: if name.startswith(prefix) and len(name) 1: pure_name name[len(prefix):] processed_flag prefix break return pure_name, processed_flag df[[pure_name, processed_flag]] df[name].apply( lambda x: pd.Series(normalize_name(x)) ) df.to_csv(herbs_normalized.csv, indexFalse, encodingutf-8-sig) print(f共處理 {len(df)} 條中藥記錄保留原始name字段不變)邏輯說(shuō)明先把原字段保留一份然后拆出“純藥名”和“炮制標(biāo)記”。這樣關(guān)系導(dǎo)入時(shí)節(jié)點(diǎn)歸到純藥名屬性里保留炮制信息。參數(shù)上processed_patterns集合可以根據(jù)實(shí)際數(shù)據(jù)繼續(xù)加前綴比如“鹽”“麩炒”需要改集合就行。清洗之后原始name字段仍然留著方便溯源。3.3 去重與實(shí)體對(duì)齊等價(jià)類(lèi)合并的通用寫(xiě)法數(shù)據(jù)清洗里最耗時(shí)間的不是字段規(guī)整而是實(shí)體對(duì)齊。同一種藥在不同方劑里可能寫(xiě)作“甘草”或“炙甘草”同一首方劑在數(shù)據(jù)里可能一個(gè)叫“麻杏石甘湯”、一個(gè)叫“麻黃杏仁甘草石膏湯”。不對(duì)齊的話(huà)圖查詢(xún)時(shí)會(huì)出現(xiàn)明明是一個(gè)實(shí)體卻分裂成兩個(gè)節(jié)點(diǎn)關(guān)系路徑全部斷裂。資源里的對(duì)齊方式是“別名表 歸一化鍵”。每個(gè)實(shí)體在CSV里預(yù)置一個(gè)canonical_id字段別名表里存了至少幾十個(gè)常見(jiàn)異名映射。代碼執(zhí)行時(shí)先按照canonical_id合并合并后重新分配內(nèi)部ID同時(shí)保留別名表為查詢(xún)提供入口。import json # 讀取合并規(guī)則canonical_id - 標(biāo)準(zhǔn)實(shí)體名 with open(alignment_rules.json, encodingutf-8) as fp: rules json.load(fp) # 原則所有別名都映射到標(biāo)準(zhǔn)名不做模糊匹配 def get_canonical(raw_name: str) - str: return rules.get(raw_name, raw_name) df[canonical_name] df[name].map(get_canonical) # 按canonical_name分組合并別名取合并集的并集 merged ( df.groupby(canonical_name, as_indexFalse) .agg({name: lambda x: |.join(set(x)), efficacy: first, meridian: first}) ) print(f合并前 {len(df)} - 合并后 {len(merged)} 個(gè)標(biāo)準(zhǔn)中藥實(shí)體)邏輯說(shuō)明關(guān)鍵是get_canonical函數(shù)沒(méi)有做任何相似度計(jì)算完全靠對(duì)齊規(guī)則表做精確映射。理由很實(shí)際中醫(yī)藥名詞相似不等于同物“當(dāng)歸尾”和“當(dāng)歸”就差一個(gè)字功效完全不同拼音或編輯距離一類(lèi)算法會(huì)引入大量噪聲。對(duì)齊規(guī)則表雖然維護(hù)起來(lái)費(fèi)功夫但對(duì)錯(cuò)完全可控也比訓(xùn)練一個(gè)NER模型輕量得多。從這里能明顯看到數(shù)據(jù)工程環(huán)節(jié)大約貢獻(xiàn)了整份資源一半以上的價(jià)值建圖譜本身反而只占用很少時(shí)間。4. 入庫(kù)Neo4jCQL建模與查詢(xún)驗(yàn)證4.1 為什么選Neo4j而不是純文件存儲(chǔ)數(shù)據(jù)清洗完之后面臨的決策是存在哪里。直接存成JSON或者SQLite也能做查詢(xún)但知識(shí)圖譜查詢(xún)本質(zhì)上是多跳關(guān)系遍歷。舉個(gè)例子“找出使用含黃芪的方劑來(lái)治療氣虛感冒的路徑”純文件存儲(chǔ)需要先把方劑表全部讀入內(nèi)存再循環(huán)匹配組成字段和主治字段復(fù)雜度高不說(shuō)代碼也難維護(hù)。Neo4j的Cypher查詢(xún)對(duì)這種路徑檢索是原生支持的一條MATCH語(yǔ)句就能表達(dá)三跳以?xún)?nèi)的全部路徑。這套資源自帶Neo4j的Cypher導(dǎo)入腳本和完整數(shù)據(jù)文件不需要自己從零寫(xiě)ORM層。4.2 CQL建節(jié)點(diǎn)與關(guān)系參數(shù)化導(dǎo)入的寫(xiě)法節(jié)點(diǎn)導(dǎo)入用的是Cypher的LOAD CSV語(yǔ)句腳本里分成兩步先建節(jié)點(diǎn)再建關(guān)系。節(jié)點(diǎn)使用MERGE而不是CREATE重復(fù)跑腳本不會(huì)制造重復(fù)節(jié)點(diǎn)這是部署的時(shí)候很省心的設(shè)計(jì)。// 導(dǎo)入中藥節(jié)點(diǎn)文件路徑是neo4j import目錄下的herbs_normalized.csv LOAD CSV WITH HEADERS FROM file:///herbs_normalized.csv AS row MERGE (h:Herb {id: row.canonical_name}) ON CREATE SET h.alias row.alias, h.efficacy row.efficacy, h.meridian row.meridian, h.taste row.taste, h.property row.property這段腳本的邏輯是一次性導(dǎo)入全部中藥字段。注意點(diǎn)是最底層的MERGE只以canonical_name作為唯一標(biāo)識(shí)也就意味著前面清洗階段的實(shí)體對(duì)齊質(zhì)量直接決定最終圖譜的節(jié)點(diǎn)數(shù)量。如果在清洗階段沒(méi)做別名合并同一個(gè)藥會(huì)被拆成多個(gè)節(jié)點(diǎn)這個(gè)坑在下一章會(huì)專(zhuān)門(mén)展開(kāi)。屬性上alias字段可以直接存豎線(xiàn)分隔的字符串表Neo4j里用split()函數(shù)查詢(xún)時(shí)再展開(kāi)不必在導(dǎo)入階段建數(shù)組。關(guān)系導(dǎo)入需要兩張表的連接操作Cypher里寫(xiě)在LOAD CSV語(yǔ)句的WHERE子句中匹配方劑表和中藥表// 導(dǎo)入“組成”關(guān)系一行一個(gè)方劑-中藥對(duì) LOAD CSV WITH HEADERS FROM file:///formula_composition.csv AS row MATCH (f:Formula {id: row.formula_id}) MATCH (h:Herb {id: row.herb_canonical_name}) MERGE (f)-[r:COMPOSE {quantity: row.dosage}]-(h)邏輯說(shuō)明先匹配兩端的節(jié)點(diǎn)再用MERGE建關(guān)系關(guān)系上掛dosage劑量屬性。這里的關(guān)系名用了COMPOSE而不是CONTAINS。因?yàn)檎Z(yǔ)義上方劑是“組成”的主動(dòng)方關(guān)系讀起來(lái)應(yīng)該是Formula -[COMPOSE]- Herb這樣在后續(xù)做方劑拆解分析時(shí)Cypher查詢(xún)可以順著COMPOSE關(guān)系從方劑出發(fā)遍歷到所有藥材語(yǔ)義更順。4.3 查詢(xún)驗(yàn)證歸經(jīng)、主治、配伍三條路徑圖譜建好之后第一步不是急著做上層應(yīng)用而是先跑三條校驗(yàn)查詢(xún)驗(yàn)證數(shù)據(jù)沒(méi)有丟失或錯(cuò)位。歸經(jīng)查詢(xún)看的是從某味藥出發(fā)能到多少個(gè)經(jīng)絡(luò)節(jié)點(diǎn)主治查詢(xún)驗(yàn)證方劑到癥狀的路徑配伍查詢(xún)最有驗(yàn)證價(jià)值因?yàn)樗帉?duì)數(shù)據(jù)是后加的如果前置的實(shí)體對(duì)齊做得不對(duì)很多配伍記錄會(huì)指向不存在的藥材ID直接查不出來(lái)。// 查詢(xún)找出與黃芪有配伍關(guān)系的中藥及這些藥在方劑中的出現(xiàn)次數(shù) MATCH (h:Herb {id: 黃芪})-[:COMPOSE]-(f:Formula)-[:COMPOSE]-(other:Herb) WITH other, count(DISTINCT f) AS freq MATCH (h)-[:PAIR]-(other) RETURN other.id, other.efficacy, freq ORDER BY freq DESC LIMIT 20這段的重點(diǎn)是第一個(gè)MATCH先找“黃芪出現(xiàn)在哪些方劑里這些方劑還用了哪些其他藥”然后通過(guò)WITH把統(tǒng)計(jì)結(jié)果傳遞下去最后再匹配配伍關(guān)系。邏輯上是在做一種簡(jiǎn)單的關(guān)聯(lián)驗(yàn)證既然教材說(shuō)“黃芪-當(dāng)歸”是配伍藥對(duì)那圖譜里這兩味藥應(yīng)該在同首方劑中頻繁共現(xiàn)。如果查詢(xún)結(jié)果里某個(gè)配伍對(duì)的共現(xiàn)頻率是0基本可以斷定清洗階段實(shí)體對(duì)齊出了問(wèn)題回去看別名表就行。參數(shù)說(shuō)明freq的閾值一般取10以上才認(rèn)為共現(xiàn)有實(shí)際意義低于10的可能是偶然同方。LIMIT 20是為了先看排名實(shí)際使用中可以去掉限制輸出全量結(jié)果。這類(lèi)查詢(xún)跑一遍大概只需要幾十毫秒數(shù)據(jù)量在幾千條節(jié)點(diǎn)級(jí)別完全不會(huì)有性能壓力。5. SVG可視化圖譜生成避坑與常見(jiàn)問(wèn)題排查5.1 從關(guān)系數(shù)據(jù)到SVG力導(dǎo)向布局的計(jì)算邏輯Neo4j瀏覽器自帶可視化但做項(xiàng)目交付時(shí)總得把圖嵌入網(wǎng)頁(yè)或者導(dǎo)出成圖片。這套資源里的SVG圖譜是直接用Python從圖數(shù)據(jù)算出來(lái)的。核心邏輯并不是把Neo4j渲染的結(jié)果截圖而是導(dǎo)出節(jié)點(diǎn)關(guān)系JSON再用純Python計(jì)算力導(dǎo)向布局坐標(biāo)最終寫(xiě)成SVG文件。力導(dǎo)向布局的原理簡(jiǎn)述假設(shè)每個(gè)節(jié)點(diǎn)之間有斥力每條關(guān)系邊有彈簧一樣的引力迭代幾百輪之后讓整個(gè)圖穩(wěn)定下來(lái)。代碼里實(shí)際用的就是這種經(jīng)典模型迭代輪數(shù)設(shè)成了200次慣性系數(shù)0.9。參數(shù)太大圖會(huì)震蕩半天不收斂太小又容易陷在局部扭曲的布局里出不來(lái)。200輪在小圖數(shù)據(jù)上大概幾秒鐘跑完屬于安全取值。import json import math def compute_force_layout(nodes, edges, iterations200, damping0.9): # 初始化坐標(biāo)按圓心均勻分布 n len(nodes) for i, node in enumerate(nodes): node[x] 500 300 * math.cos(2 * math.pi * i / n) node[y] 400 300 * math.sin(2 * math.pi * i / n) for _ in range(iterations): for i, u in enumerate(nodes): for j, v in enumerate(nodes): if i j: continue dx v[x] - u[x] dy v[y] - u[y] dist max(math.hypot(dx, dy), 1e-6) # 斥力與距離平方成反比 force 6000 / (dist * dist) u[x] - force * dx / dist u[y] - force * dy / dist for edge in edges: u next(n for n in nodes if n[id] edge[source]) v next(n for n in nodes if n[id] edge[target]) dx v[x] - u[x] dy v[y] - u[y] dist max(math.hypot(dx, dy), 1e-6) # 引力距離越大拉力越強(qiáng) force 0.01 * dist u[x] force * dx / dist u[y] force * dy / dist v[x] - force * dx / dist v[y] - force * dy / dist return nodes # 讀取Neo4j導(dǎo)出的圖譜JSON with open(graph_export.json, encodingutf-8) as fp: graph_data json.load(fp) nodes compute_force_layout(graph_data[nodes], graph_data[edges]) print(f布局計(jì)算完成共 {len(nodes)} 個(gè)節(jié)點(diǎn))邏輯說(shuō)明先在圓周上做等角初始化保證初始狀態(tài)下節(jié)點(diǎn)不重疊這是防止布局收斂到局部極值的樸素有效做法。然后每次迭代分兩步先全網(wǎng)節(jié)點(diǎn)兩兩計(jì)算斥力再對(duì)所有關(guān)系邊計(jì)算引力。參數(shù)上6000是斥力常數(shù)單位面積越大節(jié)點(diǎn)越分散0.01是引力系數(shù)值越大圖越緊湊。實(shí)際調(diào)試時(shí)看生成的SVG如果中間擠成一團(tuán)就調(diào)大斥力常數(shù)如果邊長(zhǎng)得太長(zhǎng)就調(diào)大引力系數(shù)。5.2 渲染值節(jié)點(diǎn)顏色、大小、連邊粗細(xì)的調(diào)整布局算出來(lái)后渲染是另一個(gè)坑。中文節(jié)點(diǎn)名的長(zhǎng)度差異很大“四君子湯”和“丹參”的寬度差了四五個(gè)像素直接固定節(jié)點(diǎn)半徑會(huì)導(dǎo)致文字溢出或者節(jié)點(diǎn)間遮壓。這里實(shí)際用的策略是節(jié)點(diǎn)半徑根據(jù)名稱(chēng)長(zhǎng)度動(dòng)態(tài)計(jì)算最小半徑16像素每多一個(gè)字加2像素。顏色則按實(shí)體類(lèi)型映射——中藥用淺綠色方劑用淺藍(lán)色癥狀/疾病用淺橙色。關(guān)系連邊不設(shè)箭頭純直線(xiàn)粗細(xì)按關(guān)系出現(xiàn)的頻次加權(quán)共現(xiàn)實(shí)體之間的關(guān)系線(xiàn)更粗。import html def build_svg(nodes, edges): svg_parts [svg width1200 height900 xmlnshttp://www.w3.org/2000/svg] svg_parts.append(rect width1200 height900 fill#f8f9fa/) for edge in edges: u next(n for n in nodes if n[id] edge[source]) v next(n for n in nodes if n[id] edge[target]) stroke_width min(2 edge.get(weight, 1) * 0.5, 8) svg_parts.append( fline x1{u[x]:.1f} y1{u[y]:.1f} fx2{v[x]:.1f} y2{v[y]:.1f} fstroke#adb5bd stroke-width{stroke_width:.1f}/ ) for node in nodes: radius 16 2 * max(0, len(node[name]) - 2) color {herb: #a3d9a5, formula: #a0c4ff, disease: #ffc9a3}.get( node[type], #dee2e6 ) safe_name html.escape(node[name]) svg_parts.append( fcircle cx{node[x]:.1f} cy{node[y]:.1f} r{radius} ffill{color} stroke#495057 stroke-width1/ ) svg_parts.append( ftext x{node[x]:.1f} y{node[y]:.1f} ftext-anchormiddle dominant-baselinecentral ffont-size12 fill#212529{safe_name}/text ) svg_parts.append(/svg) return \n.join(svg_parts) svg_content build_svg(nodes, graph_data[edges]) with open(graph_visualization.svg, w, encodingutf-8) as fp: fp.write(svg_content) print(SVG文件已生成)邏輯說(shuō)明每個(gè)節(jié)點(diǎn)輸出兩個(gè)元素一個(gè)圓加一個(gè)文字標(biāo)簽。注意safe_name調(diào)用html.escape這是必須的。原始數(shù)據(jù)如果混入特殊字符直接拼接SVG會(huì)生成非法XML。stroke_width做上限控制到8避免高權(quán)重邊視覺(jué)上蓋過(guò)所有節(jié)點(diǎn)。這套SVG可以直接拿瀏覽器打開(kāi)也可以嵌進(jìn)HTML報(bào)告。想發(fā)布成網(wǎng)頁(yè)加一層img標(biāo)簽就夠了。5.3 避坑四條必須知道的踩坑記錄現(xiàn)象一部分藥材和方劑在Neo4j瀏覽器里有顯示SVG里卻找不到。 原因Neo4j瀏覽器會(huì)在結(jié)果集里默認(rèn)做關(guān)系展開(kāi)有些節(jié)點(diǎn)是查詢(xún)過(guò)程中動(dòng)態(tài)帶出來(lái)的并沒(méi)有真正存在于圖數(shù)據(jù)庫(kù)里。而SVG生成腳本讀的是顯式導(dǎo)出的節(jié)點(diǎn)表天然缺了這批虛擬節(jié)點(diǎn)。 解決導(dǎo)出前先在Cypher里跑一遍MATCH (n) RETURN n把所有節(jié)點(diǎn)落庫(kù)再執(zhí)行導(dǎo)出JSON。我自己每次倒數(shù)據(jù)前都會(huì)強(qiáng)制跑一次這個(gè)全量查詢(xún)?，F(xiàn)象二生成的SVG里節(jié)點(diǎn)和中文標(biāo)簽的位置錯(cuò)位文字全跑到圓外面。 原因字體寬度估算和SVG實(shí)際渲染寬度不一致。代碼用字符數(shù)估算中文寬度但Linux上渲染沒(méi)有中文字體時(shí)所有字形寬度幾乎一致計(jì)算完全失真。 解決在服務(wù)器上裝好中文字體或者把font-family顯式寫(xiě)成系統(tǒng)已有的中文字體名稱(chēng)。我在部署時(shí)發(fā)現(xiàn)最簡(jiǎn)單的方案是SVG里直接用family-name: sans-serif大多數(shù)現(xiàn)代瀏覽器和PDF渲染器都能自動(dòng)回退到系統(tǒng)中文?，F(xiàn)象三LOAD CSV導(dǎo)入時(shí)報(bào)“Couldnt load the external resource”錯(cuò)誤。 原因CSV文件名或路徑和Neo4j的import目錄配置不匹配常見(jiàn)的是中文文件名沒(méi)轉(zhuǎn)碼或者直接把文件放在了項(xiàng)目目錄而不是import目錄。 解決把CSV統(tǒng)一放進(jìn)NEO4J_HOME/import目錄且文件名全部改成拼音或英文比如herbs_normalized.csv不在路徑里保留中文?，F(xiàn)象四關(guān)系數(shù)量虛高圖譜邊密密麻麻SVG直接變成一團(tuán)線(xiàn)球。 原因原始數(shù)據(jù)里“主治”關(guān)系沒(méi)有區(qū)分主次一張方劑動(dòng)輒關(guān)聯(lián)幾十個(gè)癥狀全部建成關(guān)系后邊的數(shù)量是節(jié)點(diǎn)的十倍以上。 解決資源里給了一個(gè)解藥——為關(guān)系設(shè)置權(quán)重閾值只保留出現(xiàn)頻次超過(guò)閾值的關(guān)系。具體做法是在導(dǎo)出JSON時(shí)做個(gè)過(guò)濾低于閾值的關(guān)系直接丟棄。閾值通常取2到3低于2會(huì)丟失太多上下文高于5會(huì)過(guò)濾掉一大部分有效信息。6. 把圖譜能力往下沉拆方分析、替代藥味與問(wèn)答式查詢(xún)6.1 用圖譜距離找替代藥味知識(shí)圖譜建好了純粹放在那兒看結(jié)構(gòu)意義很有限它真正值錢(qián)的能力是關(guān)系推理。這里分享一個(gè)親測(cè)實(shí)用的技巧用圖譜距離來(lái)做替代藥推薦。思路很簡(jiǎn)單兩味藥如果和同一個(gè)方劑群體保持相似的關(guān)系模式那它們大概率能互相替代。Cypher里不需要復(fù)雜算法一次子圖匹配加Jaccard相似度計(jì)算就能給你一個(gè)不像從教材里翻出來(lái)的替代名單。// 找出與“黃芪”共現(xiàn)方劑相似度最高的前10味替代藥 MATCH (h:Herb {id: 黃芪})-[:COMPOSE]-(f:Formula) WITH h, collect(DISTINCT f.id) AS source_formulas MATCH (candidate:Herb)-[:COMPOSE]-(f2:Formula) WHERE candidate.id h.id WITH h, source_formulas, candidate, collect(DISTINCT f2.id) AS target_formulas WITH h, candidate, source_formulas, target_formulas, [x IN source_formulas WHERE x IN target_formulas].size() AS intersection WITH h, candidate, source_formulas.size() AS s_size, target_formulas.size() AS t_size, intersection WHERE s_size 0 AND t_size 0 RETURN candidate.id, intersection * 1.0 / (s_size t_size - intersection) AS jaccard ORDER BY jaccard DESC LIMIT 10這段查詢(xún)不是數(shù)學(xué)上的嚴(yán)格Jaccard但語(yǔ)義上完全一致交集方劑數(shù)除以并集方劑數(shù)。相似度高的候選藥意味著它們和黃芪出現(xiàn)在同一批方劑里替換風(fēng)險(xiǎn)從經(jīng)驗(yàn)層面被降下來(lái)了。實(shí)際使用時(shí)不要直接用輸出結(jié)果完稿我會(huì)把Top10拉出來(lái)再做一輪教材核對(duì)確認(rèn)功效分類(lèi)方向一致后才進(jìn)入實(shí)驗(yàn)報(bào)告。6.2 拆方分析把一首方劑變成知識(shí)點(diǎn)子圖另一個(gè)實(shí)用的進(jìn)階用法是拆方。把一首方劑從“組成”關(guān)系出發(fā)順藤摸瓜找出每味藥的歸經(jīng)、主治和藥對(duì)關(guān)系然后渲染成一張局部子圖。這個(gè)過(guò)程特別適合做課程設(shè)計(jì)或教學(xué)演示能把一張方劑背后的知識(shí)網(wǎng)絡(luò)完整體現(xiàn)出來(lái)。// 提取一首方劑的完整知識(shí)子圖 MATCH (f:Formula {name: 四君子湯})-[:COMPOSE]-(h:Herb) MATCH (h)-[:MERIDIAN]-(m) MATCH (h)-[:INDICATES]-(d) RETURN f, h, m, d這個(gè)查詢(xún)出結(jié)果之后我用前面的SVG腳本重新生成一張獨(dú)立圖譜四君子湯在中心人參、白術(shù)、茯苓、甘草圍繞在四周每一個(gè)藥再展開(kāi)歸經(jīng)和主治。效果比任何文字描述都直觀(guān)。對(duì)做答辯演示或者組內(nèi)分享的人這一招節(jié)省的時(shí)間非?？捎^(guān)。6.3 把SVG快照接進(jìn)日?qǐng)?bào)的一個(gè)小習(xí)慣最后分享一個(gè)最簡(jiǎn)單的落地技巧SVG文件不能直接在Windows照片查看器里打開(kāi)總覺(jué)得不方便所以我每次都順手多做一步用Python的cairosvg庫(kù)把SVG轉(zhuǎn)成PNG。代碼只有一行。cairosvg graph_visualization.svg -o graph_visualization.png --output-width 1200 --output-height 900這樣得到的PNG能直接在文檔、課件、周報(bào)里引用。從那以后我每次換數(shù)據(jù)源跑完圖譜流程都會(huì)強(qiáng)制走一遍“導(dǎo)出JSON → 計(jì)算布局 → 生成SVG → 轉(zhuǎn)PNG”四步確認(rèn)每個(gè)節(jié)點(diǎn)都渲染出來(lái)再往下做分析。希望這個(gè)工作流對(duì)你也有用少走點(diǎn)我當(dāng)年踩過(guò)的彎路。本文還有配套的精品資源點(diǎn)擊獲取