在以下数据中,我试图运行一个简单的markov模型。
说我有以下结构的数据:
pos M1 M2 M3 M4 M5 M6 M7 M8 hybrid_block S1 S2 S3 S4 S5 S6 S7 S8 1 A T T A A G A C A|C C G C T T A G A 2 T G C T G T T G T|A A T A T C A A T 3 C A A C A G T C C|G G A C G C G C G 4 G T G T A T C T G|T C T T T A T C T
块M 代表一组类别的数据, 块S 也是如此。
数据是strings通过沿位置线连接字母而得到的。因此, M1 的 字符串值是ATCG ,其他所有块的 字符串值也是 如此。
strings
还有一个hybrid block具有两个以相同方式读取的字符串。 问题是我想找到混合块中的哪个字符串最有可能来自哪个块(M对S)?
hybrid block
我正在尝试建立一个markov模型,该模型可以帮助我确定哪个字符串hybrid block来自哪个块。在这个例子中,我可以说in 混合块 ATCG来自block M和CAGT来自block S。
ATCG
block M
CAGT
block S
我将问题分为不同的部分 来读取和挖掘数据:
问题级别01:
unique keys
pos
hybrid_block
pipe |
index 0 and 2
A
C
defaultdict(<class 'dict'>, {'M1': ['A'], 'M2': ['T'], 'M3': ['T']...., 'hybrid_block': ['A'], ['C']...}
在阅读该行的过程中,我想添加每列中的字符串值并最终创建。
defaultdict(<class 'dict'>, {'M1': ['A', 'T', 'C', 'G'], 'M2': ['T', 'G', 'A', 'T'], 'M3': ['T', 'C', 'A', 'G']...., 'hybrid_block': ['A', 'T', 'C', 'G'], ['C', 'A', 'G', 'T']...}
问题级别02:
我hybrid_block在第一行读取数据A and C。
A and C
现在,我要创建keys' but unlike fixed keys, these key will be generated while reading the data fromhybrid_blocks. For the first line since there are no preceding line the键will simply beAgA andCgC which means (A given A, and C given C), and for the values I count the number ofAin块Mand块S`。因此,数据将存储为:
keys' but unlike fixed keys, these key will be generated while reading the data from
. For the first line since there are no preceding line the
will simply be
and
which means (A given A, and C given C), and for the values I count the number of
in
defaultdict(<class 'dict'>, {'M': {'AgA': [4], 'CgC': [1]}, 'S': {'AgA': 2, 'CgC': 2}}
作为,我通读了其他各行,我想根据字符串中的内容创建新键,hybrid block并在M vs S给定字符串在前一行中的情况下,计算该字符串在块中存在的次数。这意味着该行的keyswhile读数line 2为TgA' which means (T given A) and AgC. For the values inside this key I count the number of times I foundT,在前一行and same forAcG`中的A之后。
M vs S
keys
line 2
TgA' which means (T given A) and AgC. For the values inside this key I count the number of times I found
and same for
在defaultdict看完后3行会。
defaultdict
defaultdict(<class 'dict'>, {'M': {'AgA': 4, 'TgA':3, 'CgT':2}, {'CgC': [1], 'AgC':0, 'GgA':0}, 'S': {'AgA': 2, 'TgA':1, 'CgT':0}, {'CgC': 2, 'AgC':2, 'GgA':2}}
我知道这看起来太复杂了。我通过几个去dictionary和defaultdict教程,但找不到这样做的方式。
dictionary
高度赞赏对任何部分(如果不是全部)的解决方案。
pandas
from io import StringIO import pandas as pd import numpy as np txt = """pos M1 M2 M3 M4 M5 M6 M7 M8 hybrid_block S1 S2 S3 S4 S5 S6 S7 S8 1 A T T A A G A C A|C C G C T T A G A 2 T G C T G T T G T|A A T A T C A A T 3 C A A C A G T C C|G G A C G C G C G 4 G T G T A T C T G|T C T T T A T C T """ df = pd.read_csv(StringIO(txt), delim_whitespace=True, index_col='pos') df
numpy
'AgA'
d1 = pd.concat([df.loc[[1]].rename(index={1: 0}), df]) d1 = pd.concat([ df.filter(like='M'), df.hybrid_block.str.split('|', expand=True).rename(columns='H{}'.format), df.filter(like='S') ], axis=1) d1 = pd.concat([d1.loc[[1]].rename(index={1: 0}), d1]) d1 = d1.add('g').add(d1.shift()).dropna() d1
将方便的块分配给自己的变量名
m = d1.filter(like='M') s = d1.filter(like='S') h = d1.filter(like='H')
计算每个块中有多少并连接
mcounts = pd.DataFrame( (m.values[:, :, None] == h.values[:, None, :]).sum(1), h.index, h.columns ) scounts = pd.DataFrame( (s.values[:, :, None] == h.values[:, None, :]).sum(1), h.index, h.columns ) counts = pd.concat([mcounts, scounts], axis=1, keys=['M', 'S']) counts
如果你真的想要字典
d = defaultdict(lambda:defaultdict(list)) dict_df = counts.stack().join(h.stack().rename('condition')).unstack() for pos, row in dict_df.iterrows(): d['M']['H0'].append((row.loc[('condition', 'H0')], row.loc[('M', 'H0')])) d['S']['H0'].append((row.loc[('condition', 'H0')], row.loc[('S', 'H0')])) d['M']['H1'].append((row.loc[('condition', 'H1')], row.loc[('M', 'H1')])) d['S']['H1'].append((row.loc[('condition', 'H1')], row.loc[('S', 'H1')])) dict(d) {'M': defaultdict(list, {'H0': [('AgA', 4), ('TgA', 3), ('CgT', 2), ('GgC', 1)], 'H1': [('CgC', 1), ('AgC', 0), ('GgA', 0), ('TgG', 1)]}), 'S': defaultdict(list, {'H0': [('AgA', 2), ('TgA', 1), ('CgT', 0), ('GgC', 0)], 'H1': [('CgC', 2), ('AgC', 2), ('GgA', 2), ('TgG', 3)]})}