rpy2: convertendo um dados.frame em uma matriz numpy

Question

Eu tenho um Data.Frame em R. Ele contém muitos dados: níveis de expressão gênica de muitas (125) matrizes. Gostaria dos dados em Python, devido principalmente à minha incompetência em R e ao fato de que esse deveria ser um emprego de 30 minutos.

Eu gostaria que o seguinte código funcionasse. Para entender este código, saiba que a variável path contém o caminho completo para o meu conjunto de dados que, quando carregado, me dá uma variável chamada immgen. Saiba disso immgen é um objeto (um biocondutor ExpressionSet objeto) e que exprs(immgen) Retorna um quadro de dados com 125 colunas (experimentos) e dezenas de milhares de linhas (genes nomeados). (Caso não esteja claro, este é o código python, usando robjects.r para ligar para o código r)

import numpy as np
import rpy2.robjects as robjects
# ... some code to build path
robjects.r("load('%s')"%path) # loads immgen
e = robjects.r['data.frame']("exprs(immgen)")
expression_data = np.array(e)

Este código é executado, mas expression_data e simples array([[1]]).

Tenho certeza disso e não representa o quadro de dados gerado por exprs() Devido a coisas como:

In [40]: e._get_ncol()
Out[40]: 1

In [41]: e._get_nrow()
Out[41]: 1

Mas novamente, quem sabe? Ainda que e Representou meus dados. No entanto, ainda não consigo descobrir como realizar a conversão. A documentação é um pouco concisa demais para mim, embora minha compreensão limitada dos títulos nos documentos implique que isso deve ser possível.

Alguém pensa?

Answer 1

Por que passar por um data.frame quando 'exprs (immgen)' retorna a / matrix / e seu objetivo final é ter seus dados em uma matriz?

Passar a matriz para Numpy é direta (e pode até ser feita sem fazer uma cópia):http://rpy.sourceforge.net/rpy2/doc-2.1/html/numpy.html#from-rpy2-to-numpy

Isso deve superar a simplicidade e a eficiência, a sugestão de passar pela representação de texto de dados numéricos em arquivos planos como uma maneira de trocar dados.

Você parece estar trabalhando com aulas de biocondutor e pode estar interessado no seguinte:http://pypi.python.org/pypi/rpy2-bioconductor-extensions/

Answer 2

Esta é a maneira mais direta e confiável que encontrei para transferir um quadro de dados de R para Python.

Para começar, acho que trocar os dados através das ligações R é uma complicação desnecessária. R fornece um método simples para exportar dados, da mesma forma, o Numpy possui métodos decentes para importação de dados. O formato de arquivo é a única interface comum necessária aqui.

data(iris)
iris$Species = unclass(iris$Species)

write.table(iris, file="/path/to/my/file/np_iris.txt", row.names=F, sep=",")

# now start a python session
import numpy as NP

fpath = "/path/to/my/file/np_iris.txt"

A = NP.loadtxt(fpath, comments="#", delimiter=",", skiprows=1)

# print(type(A))
# returns: <type 'numpy.ndarray'>

print(A.shape)
# returns: (150, 5)

print(A[1:5,])
# returns: 
 [[ 4.9  3.   1.4  0.2  1. ]
  [ 4.7  3.2  1.3  0.2  1. ]
  [ 4.6  3.1  1.5  0.2  1. ]
  [ 5.   3.6  1.4  0.2  1. ]]

De acordo com a documentação (e minha própria experiência pelo que vale a pena) loadtxt é o método preferido para importação de dados convencional.

Você também pode passar para loadtxt uma tupla de tipos de dados (o argumento é dtypes), um item na tupla para cada coluna. Observe 'Skiprows = 1' para passar pelos cabeçalhos da coluna (para loadtxt As linhas são indexadas de 1, colunas de 0).

Por fim, converti o fator de dados de dados para o número inteiro (que na verdade é o tipo de dados subjacente para o fator) antes da exportação-'desmarcar' é provavelmente a maneira mais fácil de fazer isso.

Se você tem big data (ou seja, não deseja carregar o arquivo de dados inteiro na memória, mas ainda precisa acessá -lo) Estrutura de dados mapeada de memória de Numpy ('Memmap') é uma boa escolha:

from tempfile import mkdtemp
import os.path as path

filename = path.join(mkdtemp(), 'tempfile.dat')

# now create a memory-mapped file with shape and data type 
# based on original R data frame:
A = NP.memmap(fpath, dtype="float32", mode="w+", shape=(150, 5))

# methods are ' flush' (writes to disk any changes you make to the array), and 'close'
# to write data to the memmap array (acdtually an array-like memory-map to 
# the data stored on disk)
A[:] = somedata[:]