#Datawhale# #AI 夏令营#
Task1 Baseline代码分析
在命令行进行所需库的安装:
pandas:数据处理和分析
scikit-learn:机器学习库
rdkit:化学信息学相关工具,python API :Python API Reference — The RDKit 2024.03.5 documentation
!pip install pandas
!pip install -U scikit-learn
!pip install rdkit
库函数导入:
pickle:通过序列化操作将对象信息永久存储,python中几乎所有的数据类型都可用,需要用到时再通过反序列化还原该对象
tqdm:进度条库 tqdm documentation
sklearn.ensemble:集成学习相关,此处调用随机森林回归方法
rdkit.Chem.rdMolDescriptors:该模块包含用于计算分子描述符的函数
RDLogger.DisableLog('rdApp.*'):warning警告关闭
import pickle
import pandas as pd
from tqdm import tqdm
from sklearn.ensemble import RandomForestRegressor
from rdkit.Chem import rdMolDescriptors
from rdkit import RDLogger,Chem
import numpy as np
RDLogger.DisableLog('rdApp.*')
摩根分子指纹计算:
输入:mol——RDKit分子对象;nBits——指定指纹长度;radius——Morgan指纹算法的半径参数
输出:返回一个分子指纹描述符数组
具体过程:调用 GetMorganFingerprintAsBitVect 函数计算指定分子 mol 的 Morgan 指纹,将指纹对象 fp 用 ToBitString 函数转换为包含位信息的字符串,之后转为列表,用 eval 函数将每个字符转换为整数,最后合并为一个 ndarray.
def mfgen(mol,nBits=2048, radius=2):
'''
Parameters
----------
mol : mol
RDKit mol object.
nBits : int
Number of bits for the fingerprint.
radius : int
Radius of the Morgan fingerprint.
Returns
-------
mf_desc_map : ndarray
ndarray of molecular fingerprint descriptors.
'''
# 返回分子的位向量形式的Morgan fingerprint
fp = rdMolDescriptors.GetMorganFingerprintAsBitVect(mol,radius=radius,nBits=nBits)
return np.array(list(map(eval,list(fp.ToBitString()))))
加载数据:
输入:包含多个SMILES表示的化合物的列表;
输出:由各化合物相应的Morgan指纹向量组成的数组
具体过程:对列表去重,使用 mfgen 函数计算并建立从SMILES表示到Morgan指纹的映射。
def vec_cpd_lst(smi_lst):
smi_set = list(set(smi_lst))
smi_vec_map = {}
for smi in tqdm(smi_set): # tqdm:显示进度条
mol = Chem.MolFromSmiles(smi)
smi_vec_map[smi] = mfgen(mol)
smi_vec_map[''] = np.zeros(2048)
vec_lst = [smi_vec_map[smi] for smi in smi_lst]
return np.array(vec_lst)
数据读取:
#读入数据的原始csv文件,记录训练集和测试集长度
dataset_dir = '../dataset' # # 注:如果是在AI Studio上,将这里改为'dataset'
train_df = pd.read_csv(f'{dataset_dir}/round1_train_data.csv')
test_df = pd.read_csv(f'{dataset_dir}/round1_test_data.csv')
print(f'Training set size: {len(train_df)}, test set size: {len(test_df)}')
预处理:取 Rct1、Rct2、Additive、Solvent 四个字段对应指纹拼接作为训练集输入,Yield 字段作为训练集输出。测试集输入同理(代码略)
#根据不同字段整合训练集数据,并转化到对应指纹
train_rct1_smi = train_df['Reactant1'].to_list()
train_rct2_smi = train_df['Reactant2'].to_list()
train_add_smi = train_df['Additive'].to_list()
train_sol_smi = train_df['Solvent'].to_list()
train_rct1_fp = vec_cpd_lst(train_rct1_smi)
train_rct2_fp = vec_cpd_lst(train_rct2_smi)
train_add_fp = vec_cpd_lst(train_add_smi)
train_sol_fp = vec_cpd_lst(train_sol_smi)
#实际使用的训练集输入:rct1,rct2,add,sol这四个字段的指纹拼接;训练集输出:Yield字段数据
train_x = np.concatenate([train_rct1_fp,train_rct2_fp,train_add_fp,train_sol_fp],axis=1)
train_y = train_df['Yield'].to_numpy()
随机森林建模(明天写)