我遇到了一个听起来对我来说具有挑战性的任务。有一个包含A、G、T、C结构的巨大DNA数据集，共有4个完全不同的类别作为输入。看起来像这样：

1 2 3 4 5 6 7 8 9 … 1.000+A A G G G G G G GG G C C C C C C CT T C C C C C C CG G A A A A A A AT T C C C C C C CC C T T T T T T TT T C C C C C C C…30.000+

我想询问关于数据处理的建议。面对如此巨大的维度，应该用数值表示还是一热编码？比如A用[0,0,0,1]表示，G用[0,0,1,0]表示等等，还是简单地用0, 1, 2, 3表示？谈到神经网络（NN），我想从简单的开始，逐步过渡到更现代和更深层次的网络。典型的数值表示可以通过pandas和sklearn库在几行代码内轻松完成，但将如此庞大的数据集转换为一热编码，看起来是一个有趣的任务。使用pd.get_dummies从形状为(1019, 27041)的数据，我们得到了(1019, 54082)，但不明白为什么形状只增加了两倍，因为我们有4个不同的字母。谢谢！

回答：

形状增加2倍而不是4倍的原因是，每个序列中只有2个类别。（在你的例子中，第一行是A和G，第二行是G和C，第三行是T和C，依此类推）

下面的例子将更好地解释额外列的数量

In [38]: df = pd.DataFrame({'A': ['a', 'b', 'a'], 'B': ['b', 'a', 'c'], 'C': [1, 2, 3]})                                                                       In [39]: df                                                                                                                                                    Out[39]:    A  B  C0  a  b  11  b  a  22  a  c  3In [40]: pd.get_dummies(df)                                                                                                                                    Out[40]:    C  A_a  A_b  B_a  B_b  B_c0  1    1    0    0    1    01  2    0    1    1    0    02  3    1    0    0    0    1