如何解决这种一键式编码错误“所有输入数组必须具有相同的形状”

Question

我遇到的错误如下。

所有输入数组必须具有相同的形状

Answer 1

您不是要剥离线。正常的DNA序列由A，G，C和T组成。您还考虑了\r字符。您的输入是这样的：

CCGAGGGCTATGGTTTGGAAGTTAGAACCCTGGGGCTTCTCGCGGACACC\r
GAGTTTATATGGCGCGAGCCTAGTGGTTTTTGTACTTGTTTGTCGCGTCG\r
...
AATGTCGACCGAACTCCGCACTGCTGGCCCGGGCCTATATCGAGAGTGAC

因此，对于最后一行以外的其他行，编码器将生成形状为（50,5）的数组，因为该行中有5个不同的字符。对于最后一行，它将生成形状为（50,4）的数组，然后得到ValueError: all input arrays must have the same shape。

要解决此问题，您可以在代码中的某个位置剥离序列。例如，这将起作用：

...

for sequence in sequences:
  integer_encoded = integer_encoder.fit_transform(list(sequence.strip()))
...

编辑： 另外，对于没有全部使用A，G，C和T的行，您可以跳过该行：

...
for sequence in sequences:
  sequence_list = list(sequence.strip())
  if len(set(sequence_list)) != 4:
    continue
  integer_encoded = integer_encoder.fit_transform(sequence_list)
...

或者，您可以找到另一种方法来制作所有one_hot_encoded数组的形状（50,4）。