python - 解析 GWAS 挖掘的 MEDLINE 文件

Question

我正在尝试将 MedLine 文件解析为 0,1 表以执行一些统计下游分析:PCA、GWAS 等。我使用名为 Bio.Medline 的 Python 模块对其进行格式化。一些额外的 shell 命令。现在，我不知道如何继续。

我需要将 文件 1 - 一个每行一张纸和制表符分隔关键字的键值文件 - 转换为一个包含折叠关键字和关键字存在/不存在的文件，显示为 1 或0 个值。

我想用 Perl 来做这件事，但欢迎使用其他解决方案。

谢谢，伯纳多

文件 1:

19801464    Animals Biodiversity    Computational Biology/methods   DNA
19696045    Environmental Microbiology  Computational Biology/methods   Software

期望的输出:

    Animals Biodiversity    Computational Biology/methods   DNA Environmental Microbiology  Software
19801464    1   1   1   0   0
19696045    0   1   0   1   1

Answer 1

您可以使用 Python 和 Pandas 执行此操作:

In [1]: df = pd.read_table("file", header=None, sep="\t", names=["A", "B","C","D"], index_col=0)
In [2]: df
Out[2]: 
          A                           B                              C  \
0  19801464        Animals Biodiversity  Computational Biology/methods   
1  19696045  Environmental Microbiology  Computational Biology/methods   

          D  
0       DNA  
1  Software  

In [3]: b = pd.get_dummies(df.B)

In [4]: c = pd.get_dummies(df.C)

In [5]: d = pd.get_dummies(df.D)

In [6]: presence_absence = b.merge(c, right_index=True, left_index=True).merge(d,right_index=True, left_index=True)

In [7]: presence_absence
Out[7]: 
          Animals Biodiversity  Environmental Microbiology  \
A                                                            
19801464                     1                           0   
19696045                     0                           1   

          Computational Biology/methods  DNA  Software  
A                                                       
19801464                              1    1         0  
19696045                              1    0         1

希望对你有帮助