Python算法從正數據集中獲取隨機化的負數據集

Question

我有一個文件包含唯一的蛋白質對，正數據集。我們稱之爲infile。 下面有infile中內容的一個例子：

Q9VRA8 A1ZBB4 
Q03043 Q9VX24 
B6VQA0 Q7KML2 

的條目是製表符分隔。 隨機數據集，我們稱之爲outfile，必須包含各種蛋白質的組合，其方式是它們不能以任何順序與infil 的內容匹配。作爲一個例子，對於上面的第一線，隨機OUTFILE不能包含以下對：

Q9VRA8 A1ZBB4 
A1ZBB4 Q9VRA8 

此外，所產生的負數據集必須包含在正極集完全相同的數目蛋白對。 爲了ADRESS這個我試過如下：

# Read original file 
data = list(infile.readlines()) 
ltotal = len(data) 
lwritten = 0 

# Split original file in words 
with open (infilename, 'rt') as infile: 
    pairs = set(frozenset(line.split()) for line in infile) 
words = list(itertools.chain.from_iterable(pairs)) 
random.shuffle(words) 

# Obtain pairs of words 
with open(outfilename, 'wt') as outfile: 
    for pair in itertools.izip(*[iter(words)] * 2): 
     if frozenset(pair) not in pairs and lwritten != ltotal: 
      outfile.write("%s\t%s\n" % pair) 
      lwritten += 1 

這工作。然而，infile總共有856471行，並且outfile獲得不同範圍的蛋白質對，最小值爲713000.

我該如何解決這個問題，以便生成的配對數與infile完全相同？ 此外，我無法解決反向對訂單問題。這兩個問題有什麼想法？

在此先感謝。

Answer 1

否決對獨立的順序，我只是把訂單都到我對名單： 即我想補充：line.split()和line.split()[::-1]設定的對。

要生成更多對，而不是遍歷單詞列表，只需選取隨機對（使用random.choice也許？），然後根據無效對列表進行否決（您可能還需要考慮您的情況生成一對「A1ZBB4 A1ZBB4」並適當運行）。只要你喜歡，你可以繼續這樣做。由於您需要確保輸出僅包含唯一元素，因此輸出項目可以在生成時添加到否決列表（或作爲單獨的否決權列表維護）。

如果你想減少內存佔用，你可以設置：

• pairs是一組對否決權的，但每對內部排序，也就是說，如果你看過「Q9VRA8 A1ZBB4」你存儲它作爲一對「A1ZBB4，Q9VRA8」。
• 您在上面生成隨機對，檢查該對的排序版本是否在您的否決清單中，如果這樣的話忽略它。