目前最有名的公開資料集 SNAP、Open Graph Benchmark 是由 Stanford 的教授 Jure Leskovec 所提供。另外也可以到 Paper With Code - Graph 底下查看各種任務底下的資料集，雖然大部分的資料集在 SNAP 都可以找到。其他在 github 也有人統整一些公開的資料集像是 benedekrozemberczki/datasets
開源程式碼的部分有很多，像是 NetworkX 這種比較傳統的 graph 算法，或者是比較新的圖神經網路。除了使用 Python 對圖進行操作之外，也要考慮到怎麼樣將圖儲存起來，比較有名的的圖形資料庫有 Neo4j，但是也有其他比較新的圖形資料庫，像是 Memgraph 等等。現在要使用相關的資料庫都可以直接使用 docker 進行部署很方便。
NetworkX 有提供隨機生成圖的功能（erdos_renyi_graph watts_strogatz_graph barabasi_albert_graph 等...），另外也提供直接使用 pandas 匯入資料的功能。主要提供的是傳統的圖算法，像是 jaccard_coefficient、pagerank 等等。另外，NetworkX 主要是使用 CPU 進行運算，如果要使用 GPU 加速，可以使用 cuGraph。cuGraph 是由 Nvidia 開發的圖算法，可以使用 GPU 加速，也支援 GNN。
雖然 Neo4j 是最有名的圖型資料庫，但是在開源的部分，其實有很多選擇，像是 Memgraph 等等。
公開課程的部分，Leonid Zhukov 的 Network Science 課程有提供 Youtube 影片可以觀看，會比單看 PTT 上的內容更好理解。
iThome鐵人賽
看影片追技術