边序列可以像普通的数值R向量一样被索引，但有一些额外的功能。
多重索引
当在方括号中使用多个索引时，它们都会被独立评估，然后使用c()函数将结果连接起来。例如，E(g)[1, 2, .inc(1)]相当于c(E(g)[1], E(g)[2], E(g)[.inc(1)])。
索引类型
边序列可以用正数值向量、负数值向量、逻辑向量、字符向量索引
当用正数值向量索引时，会选择序列中给定位置的边。这与用正数值向量索引常规的R原子向量相同。
当用负数值向量索引时，会省略序列中给定位置的边。同样，这与索引常规的R原子向量相同。
当用逻辑向量索引时，边序列和索引的长度必须匹配，并且会选择索引为
TRUE的边。命名的图可以用字符向量索引，以选择具有给定名称的边。请注意，一个图可能同时具有边名称和顶点名称，并且两者都可以用于选择边。边名称只是用作数值边ID向量的名称。顶点名称实际上只在没有多重边的图中使用，并且必须用
|竖线字符分隔，以选择与两个给定顶点关联的边。请参见下面的示例。
边属性
在索引边序列时，可以通过简单地使用它们的名称来引用边属性。例如，如果一个图具有weight边属性，那么E(G)[weight > 1]会选择所有权重大于1的边。请参见下面的更多示例。请注意，属性名称会屏蔽调用环境中存在的变量的名称；如果您需要查找一个变量，并且不希望类似命名的边属性屏蔽它，请使用.env代词在调用环境中执行名称查找。换句话说，使用E(g)[.env$weight > 1]以确保即使存在具有相同名称的边属性，weight也是从调用环境中查找的。类似地，您可以使用.data仅匹配属性名称。
特殊函数
有一些特殊的igraph函数只能在索引边序列的表达式中使用
.inc接受一个顶点序列，并选择所有至少有一个关联顶点在顶点序列中的边。
.from类似于
.inc()，但只考虑边的尾部。.to类似于
.inc()，但只考虑边的头部。\%--\%一个特殊的运算符，可用于选择两个顶点集之间的所有边。它忽略有向图中的边方向。
\%->\%类似于
\%--\%，但在有向图中，选择从左侧参数指向右侧参数的边。\%<-\%类似于
\%--\%，但在有向图中，选择到左侧参数，从右侧参数指向的边。
请注意，可以一起使用多个特殊函数，或者与常规索引一起使用，然后将它们的结果连接起来。请参见下面的更多示例。
参见
其他顶点和边序列：E()、V()、as_ids()、igraph-es-attributes、igraph-es-indexing2、igraph-vs-attributes、igraph-vs-indexing、igraph-vs-indexing2、print.igraph.es()、print.igraph.vs()
其他顶点和边序列操作：c.igraph.es()、c.igraph.vs()、difference.igraph.es()、difference.igraph.vs()、igraph-es-indexing2、igraph-vs-indexing、igraph-vs-indexing2、intersection.igraph.es()、intersection.igraph.vs()、rev.igraph.es()、rev.igraph.vs()、union.igraph.es()、union.igraph.vs()、unique.igraph.es()、unique.igraph.vs()
示例
# -----------------------------------------------------------------
# Special operators for indexing based on graph structure
g <- sample_pa(100, power = 0.3)
E(g)[1:3 %--% 2:6]
#> + 4/99 edges from c986285:
#> [1] 2->1 3->2 4->1 5->3
E(g)[1:5 %->% 1:6]
#> + 4/99 edges from c986285:
#> [1] 2->1 3->2 4->1 5->3
E(g)[1:3 %<-% 2:6]
#> + 4/99 edges from c986285:
#> [1] 2->1 3->2 4->1 5->3
# -----------------------------------------------------------------
# The edges along the diameter
g <- sample_pa(100, directed = FALSE)
d <- get_diameter(g)
E(g, path = d)
#> + 11/99 edges from 9d0ee7f:
#> [1] 56--77 49--56 25--49 24--25 2--24 2-- 4 4--10 10--16 16--22 22--67
#> [11] 67--92
# -----------------------------------------------------------------
# Select edges based on attributes
g <- sample_gnp(20, 3 / 20) %>%
set_edge_attr("weight", value = rnorm(gsize(.)))
E(g)[[weight < 0]]
#> + 11/19 edges from 4af1e5e:
#> tail head tid hid weight
#> 1 1 2 1 2 -1.3803023
#> 2 5 6 5 6 -0.7457159
#> 5 2 10 2 10 -0.1886325
#> 7 7 14 7 14 -1.1246830
#> 9 11 14 11 14 -0.6231949
#> 10 13 15 13 15 -1.0164530
#> 12 3 17 3 17 -0.5737814
#> 13 4 19 4 19 -1.2981434
#> 14 8 19 8 19 -0.1116867
#> 15 12 19 12 19 -0.5027056
#> 16 18 19 18 19 -0.8653440
# Indexing with a variable whose name matches the name of an attribute
# may fail; use .env to force the name lookup in the parent environment
E(g)$x <- E(g)$weight
x <- 2
E(g)[.env$x]
#> + 1/19 edge from 4af1e5e:
#> [1] 5--6