是否可以使用字符串元素作为sklearn中的输入？

Question

我正在尝试使用 sklearn 分析我的数据，看看元素之间是否存在某种相关性。我的数据集是一个短的蛋白质基序，其序列非常多样化。我的输入如下所示：

  1p 2p 3p 4p 5p               genus
0  T  V  H  F  K  Enterobacteriaceae
1  T  V  M  F  M         Escherichia
2  E  I  H  V  K  Enterobacteriaceae
3  K  L  M  F  K  Enterobacteriaceae

位置 1-5 有 20 个不同的字母可能性。

我想使用与 sklearn Iris 集所示类似的方法来检查不同位置的氨基酸和细菌属之间的依赖性。换句话说，我想看看字母序列是否特定于属，以及单个位置的字母是否与其他位置的字母有某种关系。

问题是，据我所知，只有数字可以用作 sklearn 的输入。我尝试用数字代替字母：每个字母从 1e-10 到 1e10，但后来我在数据可视化方面遇到了问题。我希望有其他更有效的方法来使用此类输入数据。我将非常感谢一些提示。谢谢！

Answer 1

我建议使用LabelEncoder

from sklearn.preprocessing import LabelEncoder

df
  1p 2p 3p 4p 5p               genus
0  T  V  H  F  K  Enterobacteriaceae
1  T  V  M  F  M         Escherichia
2  E  I  H  V  K  Enterobacteriaceae
3  K  L  M  F  K  Enterobacteriaceae
le = LabelEncoder()
le.fit(np.unique(df.drop('genus', axis=1)))
X = np.array([le.transform(samp) for samp in df.drop('genus', axis=1).values])
X
array([[7, 8, 2, 1, 4],
       [7, 8, 6, 1, 6],
       [0, 3, 2, 8, 4],
       [4, 5, 6, 1, 4]])

从那里您应该能够检查相关性。