计算所有列之间的成对相关性

Question

我正在处理大型生物数据集。

我想计算我数据中所有 2 列组合的 PCC（皮尔逊相关系数）table 并将结果保存为 DataFrame 或 CSV 文件。

数据table好比below:columns是基因的名字，行是数据集的编码。浮点数表示基因在数据集中被激活的程度。

      GeneA GeneB GeneC ...
DataA 1.5 2.5 3.5 ...
DataB 5.5 6.5 7.5 ...
DataC 8.5 8.5 8.5 ...
...

作为输出，我想构建如下所示的 table（DataFrame 或 csv 文件），因为 scipy.stats.pearsonr 函数 returns（PCC，p 值）。在我的示例中，XX 和 YY 表示 pearsonr([1.5, 5.5, 8.5], [2.5, 6.5, 8.5]) 的结果。同理，ZZ和AA表示pearsonr([1.5, 5.5, 8.5], [3.5, 7.5, 8.5])的结果。我的测试不需要GeneB_GeneA或GeneC_GeneB等冗余数据。

               PCC P-value
GeneA_GeneB    XX YY
GeneA_GeneC    ZZ AA
GeneB_GeneC    BB CC
...

由于列数和行数较多（超过100）且名称复杂，使用列名或行名会比较困难。

这对专家来说可能是一个简单的问题，我不知道如何用python和pandas库来处理这种table。尤其是制作新的DataFrame和添加结果似乎非常困难。

对不起，我解释得不好，但我希望有人能帮助我。

Answer 1

要配对，这是一个 combinations 的问题。您可以 concat 所有行合并为一个结果 dataframe.

from pandas import *
from itertools import combinations
df = pandas.read_csv('gene.csv')
# get the column names as list, which are gene names
column_list = df.columns.values.tolist()
result = []
for c in combinations(column_list, 2):
    firstGene, secondGene = c
    firstGeneData = df[firstGene].tolist()
    secondGeneData = df[secondGene].tolist()
    # now to get the PCC, P-value using scipy
    pcc = ...
    p-value = ...
    result.append(pandas.DataFrame([{'PCC': pcc, 'P-value': p-value}], index=str(firstGene)+ '_' + str(secondGene), columns=['PCC', 'P-value'])

result_df = pandas.concat(result)
#result_df.to_csv(...)

Answer 2

from pandas import *
import numpy as np
from libraries.settings import *
from scipy.stats.stats import pearsonr
import itertools

正在创建随机样本数据：

df = DataFrame(np.random.random((5, 5)), columns=['gene_' + chr(i + ord('a')) for i in range(5)]) 
print(df)

     gene_a    gene_b    gene_c    gene_d    gene_e
0  0.471257  0.854139  0.781204  0.678567  0.697993
1  0.292909  0.046159  0.250902  0.064004  0.307537
2  0.422265  0.646988  0.084983  0.822375  0.713397
3  0.113963  0.016122  0.227566  0.206324  0.792048
4  0.357331  0.980479  0.157124  0.560889  0.973161

correlations = {}
columns = df.columns.tolist()

for col_a, col_b in itertools.combinations(columns, 2):
    correlations[col_a + '__' + col_b] = pearsonr(df.loc[:, col_a], df.loc[:, col_b])

result = DataFrame.from_dict(correlations, orient='index')
result.columns = ['PCC', 'p-value']

print(result.sort_index())

                     PCC   p-value
gene_a__gene_b  0.461357  0.434142
gene_a__gene_c  0.177936  0.774646
gene_a__gene_d -0.854884  0.064896
gene_a__gene_e -0.155440  0.802887
gene_b__gene_c -0.575056  0.310455
gene_b__gene_d -0.097054  0.876621
gene_b__gene_e  0.061175  0.922159
gene_c__gene_d -0.633302  0.251381
gene_c__gene_e -0.771120  0.126836
gene_d__gene_e  0.531805  0.356315

获取 DataFrame 列的唯一组合，使用 itertools.combination(iterable, r)
遍历这些组合并使用 scipy.stats.stats.personr
将结果（PCC 和 p 值元组）添加到 dictionary
从 dictionary

DataFrame

您还可以保存 result.to_csv()。您可能会发现使用 MultiIndex（包含每列名称的两列）而不是为成对相关创建的名称很方便。

Answer 3

一个简单的解决方案是使用 pairwise_corr function of the Pingouin package（我创建的）：

import pingouin as pg
pg.pairwise_corr(data, method='pearson')

这将为您提供一个包含所有列组合的 DataFrame，对于每个列，还有 r-value、p-value、样本大小等。

还有许多选项可以指定一个或多个列（例如 one-vs-all 行为），以及偏相关的协变量和不同的计算方法相关系数。请参阅 this example Jupyter Notebook 以获得更多 in-depth 演示。

Answer 4

假设您拥有的数据在 pandas DataFrame 中。

df.corr('pearson')  # 'kendall', and 'spearman' are the other 2 options

将为您提供每列之间的相关矩阵。

计算所有列之间的成对相关性

Calculating pairwise correlation among all columns

python

correlation

pandas