data_loader.py

import torch
from torch_geometric.data import Data
import numpy as np

def generate_bank_data(bank_id, n_nodes=500, n_edges=1500, fraud_rate=0.05):
    """
    Gera um grafo sintético representando transações bancárias.
    Nós = Contas/Transações
    Arestas = Fluxo de dinheiro
    Features = Valor, hora, localização, histórico
    Label = 0 (Legítimo), 1 (Fraude)
    """
    np.random.seed(bank_id * 42) # Reprodutibilidade por banco
    
    # Features simuladas (Valor, Hora, Score_Risco)
    x = np.random.rand(n_nodes, 3).astype(np.float32)
    
    # Criar arestas aleatórias (transações)
    edge_index = torch.randint(0, n_nodes, (2, n_edges))
    
    # Labels
    y = torch.zeros(n_nodes, dtype=torch.long)
    num_frauds = int(n_nodes * fraud_rate)
    fraud_indices = np.random.choice(n_nodes, num_frauds, replace=False)
    y[fraud_indices] = 1
    
    # Máscara de treino/teste (80/20)
    train_mask = torch.zeros(n_nodes, dtype=torch.bool)
    test_mask = torch.zeros(n_nodes, dtype=torch.bool)
    
    indices = np.random.permutation(n_nodes)
    train_idx = indices[:int(n_nodes * 0.8)]
    test_idx = indices[int(n_nodes * 0.8):]
    
    train_mask[train_idx] = True
    test_mask[test_idx] = True
    
    data = Data(x=torch.tensor(x), edge_index=edge_index, y=y, 
                train_mask=train_mask, test_mask=test_mask)
    
    return data

def load_datasets():
    """Carrega dados para 3 bancos fictícios"""
    banks = {
        "Banco A (Varejo)": generate_bank_data(1, fraud_rate=0.05),
        "Banco B (Investimentos)": generate_bank_data(2, fraud_rate=0.03),
        "Banco C (Fintech)": generate_bank_data(3, fraud_rate=0.08)
    }
    return banks