Python: Simulazione esame 5¶

Proviamo a simulare insieme una prova d’esame! in particolare stiamo simulando l’esame del 19 09 2019

TESTO¶

Scrivere un programma che prenda in ingresso un file con i dati di espressione genica binarizzata (sovraespresso o meno) di pazienti affetti da leucemia di tipo AML o ALL e

Calcoli il coefficiente di correlazione tra i valori di espressione di ciascun gene ed una patologia di tipo AML
Stampi la lista dei geni ordinati in base al loro coefficiente di correlazione con la patologia AML

ESMPIO File in input

gene_exp.txt:

ATP2B4,NAP1L1,MDK,PCCB,MDS1,AML
no,no,yes,no,no,no
no,no,no,yes,yes,no
no,no,no,yes,yes,no
no,no,yes,no,yes,no
no,no,no,no,yes,yes
no,yes,no,yes,yes,no
no,no,no,yes,yes,no
no,no,no,yes,yes,yes
yes,no,yes,yes,yes,no
no,no,no,yes,yes,yes
no,yes,no,yes,no,no
yes,no,no,yes,yes,yes
yes,no,yes,yes,yes,no
no,no,no,yes,yes,no

ESMPIO DI OUTPUT

python correlation2AML.py:

Inserire nome file: gene_exp.txt
gene    corrcoef
MDS1    0.26
ATP2B4  0.06
PCCB    -0.06
NAP1L1  -0.26
MDK     -0.40

SUGGERIMENTI

Si possono implementare 5 funzioni separate:

una che legga il file dati e restituisca l’intestazione e una matrice di dati
una che data una matrice di dati e un indice di colonna, estragga la colonna corrispondente all’indice, convertendo i valori in numerici (0 per “no”, 1 per “yes”)
una che dati header e matrice di dati, per ogni gene estragga la colonna corrispondente e calcoli la sua correlazione con la patologia AML (ultima colonna della matrice). La funzione restituira’ una lista di coppie gene-correlazione.
una che data la lista di correlazioni la stampi in ordine decrescente
una (o un main) che realizzi il programma richiesto usando le funzioni di cui sopra

NOTA Per calcolare il coefficiente di correlazione tra due liste, si può usare la funzione corrcoefdel modulo numpy

ES:

from numpy import corrcoef
a = [1,0,1,0,0,1]
b = [0,1,1,0,0,1]
corrcoef(a,b)[0,1]
# corrcoef restituisce una matrice di correlazione
# con [0,1] si prende la correlazione tra a e b

Soluzione¶

LEGGETE E RI LEGGETE la consegna per capire se è chiara

iniziamo seguendo i suggerimenti:

suggerimento 1

una che legga il file dati e restituisca l’intestazione e una matrice di dati

Quindi dobbiamo ritornare un due liste, una lista con le intestazioni:

['ATP2B4', 'NAP1L1', 'MDK', 'PCCB', 'MDS1', 'AML']

e una sconda lista, una matrice (lista di liste), tipo questa:

[
    ['no', 'no', 'yes', 'no', 'no', 'no'],
    ['no', 'no', 'no', 'yes', 'yes', 'no'],
    ['no', 'no', 'no', 'yes', 'yes', 'no'],
    ['no', 'no', 'yes', 'no', 'yes', 'no'],
    ['no', 'no', 'no', 'no', 'yes', 'yes'],
    ['no', 'yes', 'no', 'yes', 'yes', 'no'],
    ['no', 'no', 'no', 'yes', 'yes', 'no'],
    ['no', 'no', 'no', 'yes', 'yes', 'yes'],
    ['yes', 'no', 'yes', 'yes', 'yes', 'no'],
    ['no', 'no', 'no', 'yes', 'yes', 'yes'],
    ['no', 'yes', 'no', 'yes', 'no', 'no'],
    ['yes', 'no', 'no', 'yes', 'yes', 'yes'],
    ['yes', 'no', 'yes', 'yes', 'yes', 'no'],
    ['no', 'no', 'no', 'yes', 'yes', 'no']
]

Soluzione:

def load_data(filename):
    f = open(filename)

    header = f.readline().strip().split(",")
    data = []

    for row in f:
        data.append(row.strip().split(","))

    return (header, data)

E’ corretto il codice che abbiamo scritto fino ad ora? non lo so, ma posso verificarlo:

intest, matrice = load_data(filename)
print(intest)
print(matrice)

si, funziona!

suggerimento 2

una che data una matrice di dati e un indice di colonna, estragga la colonna corrispondente all’indice, convertendo i valori in numerici (0 per “no”, 1 per “yes”)

mmmm, che cosa ci sta chiedendo? Ci sta chiedendo di scrivere una funzione che prenda in input la matrice che abbiamo caricato al punto 1, e successivamente di trasformare i “no” in 0 e i “si” in 1.

es: data la matrice qui sotto:

[
    ['no', 'no', 'yes', 'no', 'no', 'no'],
    ['no', 'no', 'no', 'yes', 'yes', 'no'],
    ['no', 'no', 'no', 'yes', 'yes', 'no'],
    ['no', 'no', 'yes', 'no', 'yes', 'no'],
    ['no', 'no', 'no', 'no', 'yes', 'yes'],
    ['no', 'yes', 'no', 'yes', 'yes', 'no'],
    ['no', 'no', 'no', 'yes', 'yes', 'no'],
    ['no', 'no', 'no', 'yes', 'yes', 'yes'],
    ['yes', 'no', 'yes', 'yes', 'yes', 'no'],
    ['no', 'no', 'no', 'yes', 'yes', 'yes'],
    ['no', 'yes', 'no', 'yes', 'no', 'no'],
    ['yes', 'no', 'no', 'yes', 'yes', 'yes'],
    ['yes', 'no', 'yes', 'yes', 'yes', 'no'],
    ['no', 'no', 'no', 'yes', 'yes', 'no']
]

e l’indice = 1, il risultato è:

[0, 0, 0, 0, 0, 1, 0, 0, 0, 0, 1, 0, 0, 0]

Soluzione:

def extract_column(data, i):
    col = []
    for row in data:
        if row[i] == "yes":
            col.append(1)
        else:
            col.append(0)
    return col

E’ corretto il codice che abbiamo scritto fino ad ora? non lo so, ma posso verificarlo:

intest, matrice = load_data(filename)
a = extract_column(matrice,1)
print(a)

si, funziona!

suggerimento 3

una che dati header e matrice di dati, per ogni gene estragga la colonna corrispondente e calcoli la sua correlazione con la patologia AML (ultima colonna della matrice). La funzione restituira’ una lista di coppie gene-correlazione.

mmmm, che cosa ci sta chiedendo?

ci chiede di scrivere una funzione che prenda in input la matrice e l’intestazione (caricati al punto 1), successivamente per ogni colonna trasformare “yes” in 1 e “no” in 0 (usando il punto 2) e restituire la correlazione tra la colonna corrente e la colonna AML (ultima colonna), in fine ritornare i risultati, (io ho ritornato una lista di coppie, con correlazione e intestazione) Esempio:

[
    (0.05504818825631804, 'ATP2B4'),
    (-0.25819888974716104, 'NAP1L1'),
    (-0.3999999999999999, 'MDK'),
    (-0.05504818825631805, 'PCCB'),
    (0.25819888974716104, 'MDS1')
]

PS per calclare la correlazione ricordatevi di importare il modulo e usare la funz corrcoef

Ora che abbiamo capito la consegna, scrivere il codice è easy :)

def compute_correlations(header, data):

    label = extract_column(data, -1)
    correlations = []

    for i in range(len(header)-1):
        name = header[i]
        column = extract_column(data, i)
        corr = corrcoef(label, column)[0,1]
        correlations.append((corr, name))

    return correlations

E’ corretto il codice che abbiamo scritto fino ad ora? non lo so, ma posso verificarlo:

intest, matrice = load_data(filename)
a = compute_correlations(intest, matrice)
print(a)

si, funziona!

suggerimento 4

una che data la lista di correlazioni la stampi in ordine decrescente

semplice:

def print_correlations(correlations):

    correlations.sort(reverse=True)
    print("gene\tcorrcoef")
    for (corr, name) in correlations:
        print("%s\t%.2f" %(name,corr))

suggerimento 5

una (o un main) che realizzi il programma richiesto usando le funzioni di cui sopra

semplice ci chiede di mettere tutto insieme:

from numpy import corrcoef

def load_data(filename):
    f = open(filename)

    header = f.readline().strip().split(",")
    data = []

    for row in f:
        data.append(row.strip().split(","))

    return (header, data)


def extract_column(data, i):
    col = []
    for row in data:
        if row[i] == "yes":
            col.append(1)
        else:
            col.append(0)
    return col

def compute_correlations(header, data):

    label = extract_column(data, -1)
    correlations = []

    for i in range(len(header)-1):
        name = header[i]
        column = extract_column(data, i)
        corr = corrcoef(label, column)[0,1]
        correlations.append((corr, name))

    return correlations

def print_correlations(correlations):

    correlations.sort(reverse=True)
    print("gene\tcorrcoef")
    for (corr, name) in correlations:
        print("%s\t%.2f" %(name,corr))

filename=input("Inserire nome file: ")
(header, data) = load_data(filename)
correlations = compute_correlations(header, data)
print_correlations(correlations)