進入特徵的DNA序列

Question

我有一個數據集包含DNA序列，我想將它們轉換成數字表示。本文件中：

• 這是什麼過程（轉變），我想搜索一下嗎？
• 如何在python中應用它？
• 它可以作爲一個大數組，作爲數據集輸入嗎？

Answer 1

我相信你所指的過程是one-hot encoding。您首先需要使用的寬度3.滑動窗口在這裏看到你的DNA序列轉變成3BP字序列：Generate a list of strings with a sliding window using itertools, yield, and iter() in Python 2.7.1?

所以，你應該有類似的DNA「字」列表（例如['aaa', 'tgc']）然後你會想要將每個單詞轉換成一個向量。做到這一點的一種方法是創建一個字典，其中包含所有可能的單詞和值的關鍵字，並帶有單表示形式。然後，您可以使用列表理解和字典查找，簡單地將每個單詞轉換爲其相應的向量。這可能不是最有效的方式，但這是一個開始。 sklearn有OneHotEncoder，但它只適用於整數。請參見https://machinelearningmastery.com/how-to-one-hot-encode-sequence-data-in-python/