Suivant la classe Python apprise par chemoinfomatics, c'est l'une des bibliothèques représentatives de Python avec le thème de la lipidomique (analyse complète des lipides). Je vais vous expliquer "NumPy". Nous expliquerons principalement des exemples pratiques de chimioinfomatique, donc si vous souhaitez vérifier les bases, veuillez lire l'article suivant avant de lire cet article.
Les chercheurs des sociétés pharmaceutiques ont résumé NumPy
En utilisant NumPy, vous pouvez effectuer des opérations vectorielles et matricielles à grande vitesse.
Tout d'abord, vous pouvez charger la bibliothèque avec ʻimporter le nom de la bibliothèque`. De plus, en ajoutant «comme abréviation», vous pouvez appeler (pointer vers) la bibliothèque avec l'abréviation écrite ici. Dans le cas de NumPy, il est d'usage d'utiliser «np».
import numpy as np
masses = np.array([12, 1.00783, 15.99491]) #Un ndarray contenant les masses précises d'atomes de carbone, d'hydrogène et d'oxygène
numbers = np.array([16, 32, 2]) #Nombre d'atomes de carbone, d'hydrogène et d'oxygène dans le palmitate
print(masses * numbers) #Calculer la masse de précision pour chaque élément
print(sum((masses * numbers))) #Masse de précision de l'acide palmitique
Comme indiqué ci-dessus, vous pouvez créer un vecteur avec plusieurs éléments en utilisant np.array (list).
Lorsque vous exécutez quatre règles, l'opération est effectuée pour chaque élément.
Vous pouvez également utiliser sum pour trouver la valeur totale de tous les éléments.
Le vecteur créé par «np.array (list)» est très similaire à une liste, mais le type de données est «numpy.ndarray» au lieu de «list».
La multiplication de numpy.ndarrays renverra numpy.ndarray multipliée par chaque élément, mais la multiplication de lists entraînera TypeError et l'opération ne pourra pas être effectuée.
import numpy as np
masses_ndarray = np.array([12, 1.00783, 15.99491])
print(type(masses_ndarray)) # numpy.ndarray
masses_list = [12, 1.00783, 15.99491]
print(type(masses_list)) # list
print(list(masses_ndarray)) # [12, 1.00783, 15.99491]
numbers_list = [16, 32, 2]
# print(masses_list * numbers_list) # TypeError
Ensuite, envisagez de trouver le poids atomique en fonction de la masse précise de l'atome et de ses isotopes et du rapport d'abondance naturelle des isotopes.
import numpy as np
exact_mass_H = np.array([1.00783, 2.01410]) #Masse de précision des isotopes
isotope_ratio_H = np.array([0.99989, 0.00011]) #Rapport d'abondance naturelle des isotopes
molecular_weight_H = sum(exact_mass_H * isotope_ratio_H) #Calculer le poids atomique
print(molecular_weight_H) #Poids atomique d'hydrogène
Enfin, trouvons les masses précises de plusieurs espèces moléculaires d'acides gras.
import numpy as np
numbers = np.array([[16, 32, 2], [18, 36, 2], [18, 34, 2]]) #Composition élémentaire d'acide palmitique, d'acide stéarique, d'acide oléique
print(masses * numbers) #Calculez la masse précise de chaque élément de chaque espèce moléculaire
print(np.sum(masses * numbers, axis=1)) #Calculez la masse précise de chaque espèce moléculaire
Ici, j'ai expliqué NumPy, en me concentrant sur les connaissances pratiques pouvant être utilisées en chimioinfomatique. Revoyons à nouveau les principaux points.
Ensuite, j'expliquerai les pandas dans l'article suivant.
Pandas apprenant avec la chimio-automatique
Recommended Posts