我正在尝试使用sklearn分析我的数据,看看元素之间是否存在某种相关性。我的数据集是一个短的蛋白质基序,其序列非常多样化。我的输入如下:
1p 2p 3p 4p 5p genus
0 T V H F K Enterobacteriaceae
1 T V M F M Escherichia
2 E I H V K Enterobacteriaceae
3 K L M F K Enterobacteriaceae
1-5位有20种不同的字母可能性。
我想使用类似的方法,因为它在sklearn Iris中显示,用于检查不同位置和细菌属中氨基酸之间的依赖性。换句话说,我想看看字母序列是否属于特定类别,以及单个位置的字母是否与其他位置的字母有某种联系。
问题是,据我所知,只有数字可以用作sklearn的输入。我试着用数字代替字母:每个字母从1e-10到1e10,但我以后遇到数据可视化问题。我希望还有其他更有效的方式来使用这种输入数据。我会非常感谢一些提示。谢谢!
答案 0 :(得分:3)
我建议使用LabelEncoder
from sklearn.preprocessing import LabelEncoder
df
1p 2p 3p 4p 5p genus
0 T V H F K Enterobacteriaceae
1 T V M F M Escherichia
2 E I H V K Enterobacteriaceae
3 K L M F K Enterobacteriaceae
le = LabelEncoder()
le.fit(np.unique(df.drop('genus', axis=1)))
X = np.array([le.transform(samp) for samp in df.drop('genus', axis=1).values])
X
array([[7, 8, 2, 1, 4],
[7, 8, 6, 1, 6],
[0, 3, 2, 8, 4],
[4, 5, 6, 1, 4]])
从那里你应该能够检查相关性。