如何在Python中找到与目标分子最匹配的分子（非数值数据）

问题背景 #

现有一张记录分子与氨基酸残基相互作用类型的表格，第一行为目标分子，需要从其余行中找到与目标分子相互作用模式最相似的分子。此前处理数值数据时使用scipy.spatial.distance.cdist的相关系数，但当前数据为多类型字符串（如"Pi-Si, Pi-Al"）和空值，无法直接套用数值方法。

核心思路 #

需要先将非数值的相互作用类型转换为可计算的结构，再通过自定义相似度/距离函数衡量匹配度：

• 数据结构化：把每个单元格的多类型字符串拆分为集合（方便后续集合运算），空值转为空集合。
• 选择匹配逻辑：针对集合类型数据，优先用Jaccard相似度（交集元素数/并集元素数）衡量单个位点的匹配度，再将所有位点的得分求和/平均得到整体相似度；也可根据业务需求定义加权得分（比如完全匹配得1分，部分重叠得0.5分，无重叠得0分）。
• 计算并筛选：用自定义函数计算所有分子与目标分子的相似度，取得分最高的分子。

具体实现代码 #

步骤1：加载并预处理数据 #

假设表格已读取为pandas.DataFrame，先做结构化转换：

import pandas as pd

# 假设数据已读取到df中，第一行是目标分子
target = df.iloc[0]
candidates = df.iloc[1:]

# 定义预处理函数：将单元格内容转为集合
def process_cell(cell):
    if pd.isna(cell) or cell == "":
        return set()
    # 去除引号，拆分类型，转集合
    clean_cell = cell.strip('"').strip()
    return set([t.strip() for t in clean_cell.split(',')])

# 对整个DataFrame应用预处理
processed_df = df.applymap(process_cell)
processed_target = processed_df.iloc[0]
processed_candidates = processed_df.iloc[1:]

步骤2：定义相似度计算函数 #

这里用Jaccard相似度的均值作为整体匹配得分：

def calculate_similarity(row, target):
    scores = []
    for col in row.index:
        row_set = row[col]
        target_set = target[col]
        # 计算Jaccard相似度：交集/并集，避免除以0
        union = len(row_set.union(target_set))
        if union == 0:
            scores.append(1.0)  # 两个都是空集合，视为完全匹配
        else:
            scores.append(len(row_set.intersection(target_set)) / union)
    # 返回平均得分
    return sum(scores) / len(scores)

步骤3：计算并找到最匹配的分子 #

# 计算所有候选分子的相似度
candidates['similarity'] = processed_candidates.apply(calculate_similarity, target=processed_target, axis=1)

# 找到相似度最高的分子
most_similar = candidates[candidates['similarity'] == candidates['similarity'].max()]

print("最匹配的分子：")
print(most_similar)

可选优化 #

• 加权匹配：如果某些氨基酸残基的相互作用更重要，可以给对应位点的得分加权重：

  # 定义权重字典，比如Met1160权重为2，其他为1
  weights = {col: 2 if col == 'Met1160' else 1 for col in processed_target.index}
  # 修改相似度计算函数，加权求和
  weighted_sum = sum(score * weights[col] for score, col in zip(scores, row.index))
  return weighted_sum / sum(weights.values())
  

• 严格匹配：如果需要严格匹配（只有当两个位点的相互作用类型完全一致时得分1，否则0），可替换Jaccard计算逻辑：

  scores.append(1.0 if row_set == target_set else 0.0)
  

内容的提问来源于stack exchange，提问作者Muzeita