neo4j目前是图数据库的主流，neo4j的Cypher语法简单直观，但是不便于流程化。如果习惯在python环境下处理数据，那么还是要用到python的neo4j库，即py2neo.
py2neo本身并不复杂，但要先适应它的思考模式。另一个问题是py2neo文档的示例较少，而且不同版本的py2neo挺不相同，容易弄混。这里要讲的是目前的v4版本。
连接数据库和图
from py2neo import # 中常用的是Node,Relationship,Graph
graph = Graph(url,username='name',password='pw')
2.查看数据库的基本属性
graph.schema.node_labels # 查看图结构中节点标签的类别，返回结果是一个frozenset
graph.schema.relationship_types # 查看图结构中关系的类型
3.数据操作
数据操作分为两种方式，一种是直接传入cypher语句，这里我们称之为cypher外壳；另一种是采用py2neo自己的数据结构和编写方式，我们称为py2neo方法。
在讲这两种方式之前，先提一下通用的pull()、push()等操作。
因为常需要从服务器端取数据，同时编写程序时本地也会产生Node,Relationship等数据，因此需要二者的版本协同。常规的处理方法如下：
graph = Graph()
tx = graph.begin() # 开始一个Transaction
node_1 = Node("Person",name="Peter")
tx.create(node_1)
tx.push(node_1) # push到服务器
or
tx.commit() # 将以上更改一次提交
3.1 cypher外壳
这种方法的基本用法是graph.run('a cypher expression')，如
result =graph.run('match (p:Paper) return p.title,p.author limit 20')
适合更熟悉Cypher语法的同学使用，需要注意的是，运行graph.run()返回的结果是一个cursor对象。cursor相当于结果的一个游标(a cursor is a navigator for a stream of records).可以通过循环调用。
while cursor.forward():
print(cursor.current['name'])or
for record in cursor:
print(record["name"])此外graph.run()的结果可以通过数据形式呈现。数据基本格式是list of dictionary,可以按需求转换为其它格式：
graph.run().data() # a list of dictionary
graph.run().to_data_frame() # pd.DataFrame
graph.run().to_ndarray() # numpy.ndarray
graph.run().to_subgraph()
graph.run().to_table()
3.2 py2neo方法
py2neo方法即前面的graph类中的函数。neo4j的主要功能是图数据的存储和查询，相应的py2neo方法也可以从这两方面来考察。
（1）存储
除了前面的创建节点，还有创建关系以及子图。
a = Node("Person",name="Alice")
b = Node("Person",name="Bob")
r = Relationship(a,"KNOWS",b)
s = a|b|r
graph = Graph()
graph.create(s)
创建节点可以采用merge方法，需要注意的是py2neo和cypher中的merge方法有所不同。
在cypher中，MERGE方式是当你创建一个实体时，程序会检测是否已有这个实体存在，检测的方法是进行label和property的匹配。如果已存在则不创建。 py2neo方法中的merge则是，同样进行匹配，如果匹配上则用当前实体覆盖数据库中的已有实体。 这里的主要区别在于，QQ号购买平台匹配时一般只会用到关键的少数property，根据某个property去决定是否覆盖时，其他property可能是不相等的。
因此cypher是用数据库实体覆盖新创建的，py2neo是用新的覆盖旧的。 考虑到创建时属性可能比较少，因此在py2neo中慎用merge,可以先做存在判断，然后再用create语句.
具体的，merge语句的使用方式为：
graph.merge(node_1,"Person","name") # 根据name属性对person结点进行merge
相应的cypher语句中的merge为：
match (c:course)
merge (t:teacher {name:c.teacher})
return c.name,c.teacher
(2)查询
py2neo提供了专门的查询模块，即NodeMatcher和RelationshipMatcher，使用格式为
matcher_1 = NodeMatcher(graph)
matcher_2 = RelationshipMatcher(graph)
node = matcher_1.match("Paper",ID='09076').where(year=2017) # 匹配指定ID和year的Paper结点
relation = matcher_2.matcher(r_type="Cited").limit(50)
注意使用这两个模块后返回的结果仍然是NodeMatcher对象或RelationshipMatcher对象，要将其转换为实体，可以采用first()函数，或者变换成列表。
node_1 = matcher_1.match("Paper",ID='09076').first() # 取第一个匹配到的节点
result_1 = list(node) # 转换为列表
result_2 = list(result)
此外，node和relationship数据类型也自带匹配属性，如
graph.nodes.match("Person").first()
但是这样匹配的效率似乎比较低，运行更慢。
以上py2neo的匹配，其缺点在于匹配被人为分割成节点和关系的匹配，使用起来不灵活，因为节点和关系的匹配常常是紧密联系的。相比之下，cypher的原生匹配就很灵活，没有限定类型。
match g = (p1:Person) -[r:]->(p2:Paper)
where p2.year>2008
return g,p1.name,r.type,p2.title
3.3 py2neo.ogm
py2neo中的ogm模块是Object-Graph Mapping的简写，这里将它和普通py2neo方法分开单独讲，ogm是基于Graphobject的。
一个Graphobject的实例可以包含节点、标签或相关对象等内容。
class Movie(GraphObject):
__primarylabel__ = 'Movie'
__primarykey__ = 'title'
title = Property() # 影片名
tag_line = Property('tagline')
release = Property() # 发行时间
restricted = Lable() # 是否限制级
actors = RelatedFrom("Person","ACTED_IN")
directors = RelatedFrom("Person","DIRECTED")
producers = RelatedFrom("Person","PRODUCED")
class Person(GraphObject):
__primarykey__ = "name"
name = Property()
acted_in = RelatedTo(Movie)Property是属性，通过语句如release = Property()指定release为属性，接着就可以赋值
M = Movie()
M.release = 1995
Label是标签，用法同Property,但Label是binary变量。
RelationTo和RelatedFrom指定了关系管理的实体和关系的方向。
graphObject对象自身也可以进行查询操作，如Person.match(graph,"Alice").first()
如前文所说，效率可能没有NodeMatcher方法高。
- 小结
以上就是笔者整理的py2neo基本使用方法，作为一个小工具，py2neo内容本身不多，但是限于篇幅，还有一些有用的内容没有涉及到。例如为实体添加特定约束等，有机会再写。
