Skip to content

遗传编码器

代码来自 https://github.com/EpistasisLab/autoqtl 该文件包含所有遗传编码器的类定义。 所有遗传编码器类都继承自Scikit learn的BaseEstimator和TransformerMixin类，以遵循Scikit-learn的范式。

DominantEncoder

基类：BaseEstimator, TransformerMixin

该类包含用于将输入特征编码为显性遗传模型的函数定义。 使用的编码是 AA(0)->1, Aa(1)->1, aa(2)->0。

Source code in tpot2/builtin_modules/genetic_encoders.py 
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
class DominantEncoder(BaseEstimator, TransformerMixin):
    """This class contains the function definition for encoding the input features as a Dominant genetic model.
    The encoding used is AA(0)->1, Aa(1)->1, aa(2)->0. """

    def fit(self, X, y=None):
        """Do nothing and return the estimator unchanged.
        Dummy function to fit in with the sklearn API and hence work in pipelines.

        Parameters
        ----------
        X : array-like
        """
        return self

    def transform(self, X, y=None):
        """Transform the data by applying the Dominant encoding.

        Parameters
        ----------
        X : numpy ndarray, {n_samples, n_components}
            New data, where n_samples is the number of samples (number of individuals)
            and n_components is the number of components (number of features).
        y : None
            Unused

        Returns
        -------
        X_transformed: numpy ndarray, {n_samples, n_components}
            The encoded feature set
        """
        X = check_array(X)
        map = {0: 1, 1: 1, 2: 0}
        mapping_function = np.vectorize(lambda i: map[i] if i in map else i)

        X_transformed = mapping_function(X)

        return X_transformed

fit(X, y=None)

什么都不做并返回未更改的估计器。 这是一个虚拟函数，用于适应sklearn API，从而在管道中工作。

参数:

名称 类型 描述 默认值
X array - like
必填
Source code in tpot2/builtin_modules/genetic_encoders.py 
16
17
18
19
20
21
22
23
24
def fit(self, X, y=None):
    """什么都不做并返回未更改的估计器。
    这是一个虚拟函数，用于适应sklearn API，从而在管道中工作。

    参数
    ----------
    X : 类数组
    """
    return self

transform(X, y=None)

通过应用Dominant编码来转换数据。

参数:

名称 类型 描述 默认值
X numpy ndarray, {n_samples, n_components}

新数据，其中 n_samples 是样本数量（个体数量），n_components 是组件数量（特征数量）。

 required
y None

未使用

 None

返回:

名称 类型 描述
X_transformed numpy ndarray, {n_samples, n_components}

编码后的特征集
Source code in tpot2/builtin_modules/genetic_encoders.py 
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
def transform(self, X, y=None):
    """Transform the data by applying the Dominant encoding.

    Parameters
    ----------
    X : numpy ndarray, {n_samples, n_components}
        New data, where n_samples is the number of samples (number of individuals)
        and n_components is the number of components (number of features).
    y : None
        Unused

    Returns
    -------
    X_transformed: numpy ndarray, {n_samples, n_components}
        The encoded feature set
    """
    X = check_array(X)
    map = {0: 1, 1: 1, 2: 0}
    mapping_function = np.vectorize(lambda i: map[i] if i in map else i)

    X_transformed = mapping_function(X)

    return X_transformed

HeterosisEncoder

基类：BaseEstimator, TransformerMixin

该类包含将输入特征编码为杂合子优势遗传模型的函数定义。 使用的编码是AA(0)->0, Aa(1)->1, aa(2)->0。

Source code in tpot2/builtin_modules/genetic_encoders.py 
 88
 89
 90
 91
 92
 93
 94
 95
 96
 97
 98
 99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
class HeterosisEncoder(BaseEstimator, TransformerMixin):
    """This class contains the function definition for encoding the input features as a Heterozygote Advantage genetic model.
    The encoding used is AA(0)->0, Aa(1)->1, aa(2)->0. """

    def fit(self, X, y=None):
        """Do nothing and return the estimator unchanged.
        Dummy function to fit in with the sklearn API and hence work in pipelines.

        Parameters
        ----------
        X : array-like
        """
        return self

    def transform(self, X, y=None):
        """Transform the data by applying the Heterosis encoding.

        Parameters
        ----------
        X : numpy ndarray, {n_samples, n_components}
            New data, where n_samples is the number of samples (number of individuals)
            and n_components is the number of components (number of features).
        y : None
            Unused

        Returns
        -------
        X_transformed: numpy ndarray, {n_samples, n_components}
            The encoded feature set
        """
        X = check_array(X)
        map = {0: 0, 1: 1, 2: 0}
        mapping_function = np.vectorize(lambda i: map[i] if i in map else i)

        X_transformed = mapping_function(X)

        return X_transformed

fit(X, y=None)

什么都不做并返回未更改的估计器。 这是一个虚拟函数，用于适应sklearn API，从而在管道中工作。

参数:

名称 类型 描述 默认值
X array - like
必填
Source code in tpot2/builtin_modules/genetic_encoders.py 
 92
 93
 94
 95
 96
 97
 98
 99
100
def fit(self, X, y=None):
    """什么都不做并返回未更改的估计器。
    这是一个虚拟函数，用于适应sklearn API，从而在管道中工作。

    参数
    ----------
    X : 类数组
    """
    return self

transform(X, y=None)

通过应用杂种优势编码来转换数据。

参数:

名称 类型 描述 默认值
X numpy ndarray, {n_samples, n_components}

新数据，其中 n_samples 是样本数量（个体数量），n_components 是组件数量（特征数量）。

 required
y None

未使用

 None

返回:

名称 类型 描述
X_transformed numpy ndarray, {n_samples, n_components}

编码后的特征集
Source code in tpot2/builtin_modules/genetic_encoders.py 
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
def transform(self, X, y=None):
    """Transform the data by applying the Heterosis encoding.

    Parameters
    ----------
    X : numpy ndarray, {n_samples, n_components}
        New data, where n_samples is the number of samples (number of individuals)
        and n_components is the number of components (number of features).
    y : None
        Unused

    Returns
    -------
    X_transformed: numpy ndarray, {n_samples, n_components}
        The encoded feature set
    """
    X = check_array(X)
    map = {0: 0, 1: 1, 2: 0}
    mapping_function = np.vectorize(lambda i: map[i] if i in map else i)

    X_transformed = mapping_function(X)

    return X_transformed

OverDominanceEncoder

基类：BaseEstimator, TransformerMixin

该类包含用于将输入特征编码为超显性遗传模型的函数定义。 使用的编码是 AA(0)->1, Aa(1)->2, aa(2)->0。

Source code in tpot2/builtin_modules/genetic_encoders.py 
165
166
167
168
169
170
171
172
173
174
175
176
177
178
179
180
181
182
183
184
185
186
187
188
189
190
191
192
193
194
195
196
197
198
199
200
201
class OverDominanceEncoder(BaseEstimator, TransformerMixin):
    """This class contains the function definition for encoding the input features as a Over Dominance genetic model.
    The encoding used is AA(0)->1, Aa(1)->2, aa(2)->0. """

    def fit(self, X, y=None):
        """Do nothing and return the estimator unchanged.
        Dummy function to fit in with the sklearn API and hence work in pipelines.

        Parameters
        ----------
        X : array-like
        """
        return self

    def transform(self, X, y=None):
        """Transform the data by applying the Heterosis encoding.

        Parameters
        ----------
        X : numpy ndarray, {n_samples, n_components}
            New data, where n_samples is the number of samples (number of individuals)
            and n_components is the number of components (number of features).
        y : None
            Unused

        Returns
        -------
        X_transformed: numpy ndarray, {n_samples, n_components}
            The encoded feature set
        """
        X = check_array(X)
        map = {0: 1, 1: 2, 2: 0}
        mapping_function = np.vectorize(lambda i: map[i] if i in map else i)

        X_transformed = mapping_function(X)

        return X_transformed

fit(X, y=None)

什么都不做并返回未更改的估计器。 这是一个虚拟函数，用于适应sklearn API，从而在管道中工作。

参数:

名称 类型 描述 默认值
X array - like
必填
Source code in tpot2/builtin_modules/genetic_encoders.py 
169
170
171
172
173
174
175
176
177
def fit(self, X, y=None):
    """什么都不做并返回未更改的估计器。
    这是一个虚拟函数，用于适应sklearn API，从而在管道中工作。

    参数
    ----------
    X : 类数组
    """
    return self

transform(X, y=None)

通过应用杂种优势编码来转换数据。

参数:

名称 类型 描述 默认值
X numpy ndarray, {n_samples, n_components}

新数据，其中 n_samples 是样本数量（个体数量），n_components 是组件数量（特征数量）。

 required
y None

未使用

 None

返回:

名称 类型 描述
X_transformed numpy ndarray, {n_samples, n_components}

编码后的特征集
Source code in tpot2/builtin_modules/genetic_encoders.py 
179
180
181
182
183
184
185
186
187
188
189
190
191
192
193
194
195
196
197
198
199
200
201
def transform(self, X, y=None):
    """Transform the data by applying the Heterosis encoding.

    Parameters
    ----------
    X : numpy ndarray, {n_samples, n_components}
        New data, where n_samples is the number of samples (number of individuals)
        and n_components is the number of components (number of features).
    y : None
        Unused

    Returns
    -------
    X_transformed: numpy ndarray, {n_samples, n_components}
        The encoded feature set
    """
    X = check_array(X)
    map = {0: 1, 1: 2, 2: 0}
    mapping_function = np.vectorize(lambda i: map[i] if i in map else i)

    X_transformed = mapping_function(X)

    return X_transformed

RecessiveEncoder

基类：BaseEstimator, TransformerMixin

该类包含将输入特征编码为隐性遗传模型的函数定义。 使用的编码是 AA(0)->0, Aa(1)->1, aa(2)->1。

Source code in tpot2/builtin_modules/genetic_encoders.py 
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
class RecessiveEncoder(BaseEstimator, TransformerMixin):
    """This class contains the function definition for encoding the input features as a Recessive genetic model.
    The encoding used is AA(0)->0, Aa(1)->1, aa(2)->1. """

    def fit(self, X, y=None):
        """Do nothing and return the estimator unchanged.
        Dummy function to fit in with the sklearn API and hence work in pipelines.

        Parameters
        ----------
        X : array-like
        """
        return self

    def transform(self, X, y=None):
        """Transform the data by applying the Recessive encoding.

        Parameters
        ----------
        X : numpy ndarray, {n_samples, n_components}
            New data, where n_samples is the number of samples (number of individuals)
            and n_components is the number of components (number of features).
        y : None
            Unused

        Returns
        -------
        X_transformed: numpy ndarray, {n_samples, n_components}
            The encoded feature set
        """
        X = check_array(X)
        map = {0: 0, 1: 1, 2: 1}
        mapping_function = np.vectorize(lambda i: map[i] if i in map else i)

        X_transformed = mapping_function(X)

        return X_transformed

fit(X, y=None)

什么都不做并返回未更改的估计器。 这是一个虚拟函数，用于适应sklearn API，从而在管道中工作。

参数:

名称 类型 描述 默认值
X array - like
必填
Source code in tpot2/builtin_modules/genetic_encoders.py 
54
55
56
57
58
59
60
61
62
def fit(self, X, y=None):
    """什么都不做并返回未更改的估计器。
    这是一个虚拟函数，用于适应sklearn API，从而在管道中工作。

    参数
    ----------
    X : 类数组
    """
    return self

transform(X, y=None)

通过应用隐性编码来转换数据。

参数:

名称 类型 描述 默认值
X numpy ndarray, {n_samples, n_components}

新数据，其中 n_samples 是样本数量（个体数量），n_components 是组件数量（特征数量）。

 required
y None

未使用

 None

返回:

名称 类型 描述
X_transformed numpy ndarray, {n_samples, n_components}

编码后的特征集
Source code in tpot2/builtin_modules/genetic_encoders.py 
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
def transform(self, X, y=None):
    """Transform the data by applying the Recessive encoding.

    Parameters
    ----------
    X : numpy ndarray, {n_samples, n_components}
        New data, where n_samples is the number of samples (number of individuals)
        and n_components is the number of components (number of features).
    y : None
        Unused

    Returns
    -------
    X_transformed: numpy ndarray, {n_samples, n_components}
        The encoded feature set
    """
    X = check_array(X)
    map = {0: 0, 1: 1, 2: 1}
    mapping_function = np.vectorize(lambda i: map[i] if i in map else i)

    X_transformed = mapping_function(X)

    return X_transformed

UnderDominanceEncoder

基类：BaseEstimator, TransformerMixin

该类包含用于将输入特征编码为Under Dominance遗传模型的函数定义。 使用的编码是AA(0)->2, Aa(1)->0, aa(2)->1。

Source code in tpot2/builtin_modules/genetic_encoders.py 
126
127
128
129
130
131
132
133
134
135
136
137
138
139
140
141
142
143
144
145
146
147
148
149
150
151
152
153
154
155
156
157
158
159
160
161
162
class UnderDominanceEncoder(BaseEstimator, TransformerMixin):
    """This class contains the function definition for encoding the input features as a Under Dominance genetic model.
    The encoding used is AA(0)->2, Aa(1)->0, aa(2)->1. """

    def fit(self, X, y=None):
        """Do nothing and return the estimator unchanged.
        Dummy function to fit in with the sklearn API and hence work in pipelines.

        Parameters
        ----------
        X : array-like
        """
        return self

    def transform(self, X, y=None):
        """Transform the data by applying the Heterosis encoding.

        Parameters
        ----------
        X : numpy ndarray, {n_samples, n_components}
            New data, where n_samples is the number of samples (number of individuals)
            and n_components is the number of components (number of features).
        y : None
            Unused

        Returns
        -------
        X_transformed: numpy ndarray, {n_samples, n_components}
            The encoded feature set
        """
        X = check_array(X)
        map = {0: 2, 1: 0, 2: 1}
        mapping_function = np.vectorize(lambda i: map[i] if i in map else i)

        X_transformed = mapping_function(X)

        return X_transformed

fit(X, y=None)

什么都不做并返回未更改的估计器。 这是一个虚拟函数，用于适应sklearn API，从而在管道中工作。

参数:

名称 类型 描述 默认值
X array - like
必填
Source code in tpot2/builtin_modules/genetic_encoders.py 
130
131
132
133
134
135
136
137
138
def fit(self, X, y=None):
    """什么都不做并返回未更改的估计器。
    这是一个虚拟函数，用于适应sklearn API，从而在管道中工作。

    参数
    ----------
    X : array-like
    """
    return self

transform(X, y=None)

通过应用杂种优势编码来转换数据。

参数:

名称 类型 描述 默认值
X numpy ndarray, {n_samples, n_components}

新数据，其中 n_samples 是样本数量（个体数量），n_components 是组件数量（特征数量）。

 required
y None

未使用

 None

返回:

名称 类型 描述
X_transformed numpy ndarray, {n_samples, n_components}

编码后的特征集
Source code in tpot2/builtin_modules/genetic_encoders.py 
140
141
142
143
144
145
146
147
148
149
150
151
152
153
154
155
156
157
158
159
160
161
162
def transform(self, X, y=None):
    """Transform the data by applying the Heterosis encoding.

    Parameters
    ----------
    X : numpy ndarray, {n_samples, n_components}
        New data, where n_samples is the number of samples (number of individuals)
        and n_components is the number of components (number of features).
    y : None
        Unused

    Returns
    -------
    X_transformed: numpy ndarray, {n_samples, n_components}
        The encoded feature set
    """
    X = check_array(X)
    map = {0: 2, 1: 0, 2: 1}
    mapping_function = np.vectorize(lambda i: map[i] if i in map else i)

    X_transformed = mapping_function(X)

    return X_transformed