我目前正在处理一个与蛋白质相关的二元分类问题。目标是确定一个突变是否会将蛋白质的功能从活跃状态变为非活跃状态。突变可能发生在构成蛋白质的氨基酸链中的4个不同但固定的位置。因此，我的特征向量由长度为4的字符代码组成，其中每个字符代表突变发生的4个位置之一的氨基酸。总共有21种可能的氨基酸。
我的问题是如何将这4个字符的字符串转换为用于分类的数值数据。我尝试过将每个字符转换为代表该字符大写字母的ASCII十进制数（例如，A->65），但这只得到了中等的结果。
我发现了一些关于独热编码的信息，但我不确定如何使用它，因为除了突变中出现的4种氨基酸的信息外，突变发生的位置在我这里也很重要。
这是训练数据的一个样本：
回答：
我的特征向量由长度为4的字符代码组成… … 在我的情况下，突变发生的位置也很重要
将你的四个字符的字符串扩展为四个单字符的字符串。这样，每个位置（我们称之为“S1”、“S2”、“S3”和“S4”）将有一个特征。
这样，每个蛋白质位置将独立于其他位置。
如何将这4个字符的字符串转换为用于分类的数值数据？
简单地对每个单字符特征应用独热编码。假设你在使用Scikit-Learn环境，你可以使用 sklearn_pandas.DataFrameMapper 或 sklearn.compose.ColumnTransformer 来执行此映射：
mapper = DataFrameMapper([ (["S1", "S2", "S3", "S4"], OneHotEncoder())])classifier = LogisticRegression()pipeline = Pipeline([ ("mapper", mapper), ("classifier", classifier)])pipeline.fit(X, y)