我目前正在尝试计算大约 30k 行矩阵的协方差矩阵(所有值都在 [0,1] 范围内),并且它需要很长时间(我已经让它运行了一个多小时并且它还没有完成)。
我在较小的示例(7k 行矩阵)上注意到的一件事是,输出的值具有大量的有效数字(例如 ~10^32),并且可能会减慢速度(并增加文件大小) - 是有什么办法可以限制这个吗?
我一直在一个简单的数据帧上使用 numpys 协方差方法:
import numpy as np
import pandas as pd
import sklearn as sk
df = pd.read_csv('gene_data/genetic_data25.csv')
df = df.set_index('ID_REF')
df = (df-df.min(axis = 0))/(df.max(axis = 0)-df.min(axis = 0))
cov = np.cov(df)
cov = pd.DataFrame(cov)
cov.to_csv('/gemnetics/cov_matrix.csv')
最佳答案
由于我对遗传学不熟悉,我将为您提供一般指南并希望它有效。
假设您的数据位于名为 X
的矩阵中,该矩阵为 30+k x 1k。您实际上并不需要对数据进行标准化(除非这对您来说不重要),但要计算协方差,您必须将其居中。然后你可以计算正确的特征向量:
Xp=X-X.mean(axis=0,keepdims=True)
k=Xp.T @ Xp
ev,R=np.linalg.eigh(k)
ev=ev[::-1]
R=R[:,::-1]
此时您应该查看特征值,看看它们是否有突然下降(这是 Scree 方法),我们将这个截止数称为 n
。如果没有,那么您只需选择要保留的特征值百分比。
下一步是重建左特征向量:
L=X @ R[:,:n]
现在,R.T
告诉您哪些特征向量组合是重要的,而特征向量 (L
) 是您的基因中最重要的组合。
我希望这会有所帮助。
关于python - 减少计算时间和大型协方差矩阵的要求,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/51545659/