Python 数据科学三剑客与 RDKit 深度解析

Python

import numpy as np# 1. 创建数组：将普通数据转化为高效张量print(np.array(12))            # 创建标量print(np.array(range(12)))     # 创建包含 0-11 的一维数组a = np.array([[1, 2, 3],[4, 5, 6]]) # 创建 2x3 的二维矩阵（常用于存储原子特征）# 2. 探查数组属性：理解数据的“形状”print(a.shape)   # 输出 (2, 3)，代表 2 行 3 列print(a.ndim)    # 维度，输出 2print(a.size)    # 元素总数，输出 6print(a.dtype)   # 数据类型，如 int64# 3. 数组运算：实现分子性质的批量计算a = np.array()b = np.arange(4) # 生成 print(a - b)     # 对应元素相减print(b**2)      # 平方运算print(a < 35)    # 布尔筛选：找出满足条件的元素索引（如：筛选低毒性评分）print(a @ b)     # 矩阵乘法（点积），常用于模型参数加权# 4. 切片与索引：精准提取感兴趣的原子或特征a = np.arange(10)print(a[2:7:2])  # 步长切片：从索引 2 到 7，步长为 2a_2d = np.array([[1, 2, 3],[3, 4, 5],[4, 5, 6]])print(a_2d[1, 2]) # 提取第 2 行第 3 列的元素print(a_2d[:,0]) # 提取所有行的第 1 列（如：所有原子的 X 坐标）# 5. 数组合并：拼接不同维度的特征a = np.array([[1, 2],[3, 4]])b = np.array([[5, 6],[7, 8]])print(np.concatenate((a,b)))          # 纵向拼接print(np.concatenate((a,b), axis=1))  # 横向拼接（如：合并分子指纹与物理性质）

Python

import pandas as pd# 1. 数据读取与初步查探df = pd.read_csv('People.csv') # 加载数据集print(df.shape)                # 数据规模（行数, 列数）df.info()                      # 字段详细信息（非空数、内存占用）print(df.dtypes)               # 各列数据类型# 2. 缺失值处理：确保建模数据的质量print(df['age'].isnull())      # 检查 age 列是否有空值df.fillna(value=0)             # 用 0 填充所有空值df['age'].fillna(df['age'].mean()) # 用平均年龄填充空缺（常用于填充缺失的实验数值）# 3. 数据类型转换与去重df['age'].astype('int')        # 转换为整型df['id'].drop_duplicates()     # 删除重复的化合物 ID，保证数据唯一性# 4. 精准数据提取 (iloc)print(df.iloc[3])              # 提取第 4 行数据print(df.iloc[0:5])            # 提取前 5 行print(df.iloc[,])  # 提取特定行和特定列# 5. 条件筛选与结果保存# 场景：筛选活性在特定范围内的候选分子df1 = df[(df['age'] > 20) & (df['age'] < 28)] df1.to_csv('people2.csv', index=None) # 将清洗后的结果导出，index=None 防止多出一列索引

Python

from rdkit import Chemfrom rdkit.Chem import AllChem, Descriptors, MACCSkeys, DataStructs# 1. 分子对象创建与可视化# 将 Toluene (甲苯) 的 SMILES 转化为分子对象 mm = Chem.MolFromSmiles('Cc1ccccc1') smi = Chem.MolToSmiles(m) # 将分子对象重新转回规范化 SMILES# 在 Jupyter 环境中输入 m 即可直接看到分子的 2D 结构图# 2. 物理化学性质计算 (Descriptors)logp = Descriptors.MolLogP(m) # 计算脂水分配系数（亲脂性）mw = Descriptors.MolWt(m)     # 计算分子量（MW）print(f"LogP: {logp}, MW: {mw}")# 3. 生成分子指纹：将化学结构转化为 0/1 向量# Morgan 指纹 (类似 ECFP4)：捕捉分子的局部拓扑环境fp_morgan = AllChem.GetMorganFingerprintAsBitVect(m, 2, nBits=1024)# MACCS 指纹：基于 166 个特定子结构的预定义指纹fp_macss = MACCSkeys.GenMACCSKeys(m)print(list(fp_macss)) # 转化为列表供模型输入# 4. 分子相似度计算：药物筛选的关键# 计算两个分子之间的 Tanimoto 相似度ms =fps =similarity = DataStructs.FingerprintSimilarity(fps, fps[1])print(f"分子的结构相似度为: {similarity}")