如何解决字符串列表中每个字符串字符的词频
这里的新手程序员。我正在尝试创建配体 SMILES 字符串(一种化学符号)的词频向量化。这与常规 NLP tf 向量化不同,因为我需要字符串中每个符号的计数,而不是每个单词的计数,而且我很挣扎。
Original = ['CC(C1=NCCN1)OC2=C(C=CC=C2Cl)Cl','CC(C1=NCCN1)OC2=CC=CC=C2Cl','CC1=C(C(=O)N2C=C(C=CC2=N1)Cl)CCN3CCC4=C(C3)C5=CC=CC=C5O4','C1CN=C(N1)NC2=C(C3=NC=CN=C3C=C2)Br','CC1=C(C(=O)N2C=C(C=CC2=N1)Br)CCN3CCC4=C(C3)C5=CC=CC=C5O4']
New = []
for ligand in Original:
new = ligand.replace('Cl','D').replace('Br','E')
New.append(new)
如果元素长度超过 2 个字符,此代码将替换元素符号。我知道这不是最好的方法,但我现在并不担心。
alphabet = set()
for ligand in New:
for char in ligand:
alphabet.add(char)
Alphabet = list(alphabet)
这将创建数据中存在的所有符号的非重复列表 - 这最终将等于向量的维度
for ligand in New:
for letter in ligand:
letter_count = [letter.count(letter) for letter in Alphabet]
print(str(list(zip(New,letter_count))))
这不起作用。它返回计数为 1 的每个完整字符串。我需要查看每个字符串中每个符号的计数。例如,第一个化合物具有 11 C、2 (,4 =,2 ) 和 2 D (Cl)。每种化合物等。
感谢您的帮助!
版权声明:本文内容由互联网用户自发贡献,该文观点与技术仅代表作者本人。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如发现本站有涉嫌侵权/违法违规的内容, 请发送邮件至 dio@foxmail.com 举报,一经查实,本站将立刻删除。