使用Word2Vec嵌入肽序列时报unhashable type: 'list'错误如何解决

报错根因 #

Gensim Word2Vec 要求输入的训练语料格式为可迭代的句子序列，每个句子对应一条肽序列，是由字符串类型的三元组组成的一维列表。你当前报错的核心原因是：遍历语料取出的三元组不是字符串类型，而是嵌套的列表类型，列表属于不可哈希类型，无法作为词频统计字典的key，因此触发该错误。

可行解决步骤 #

• 第一步：确认数据嵌套层级
  执行以下代码打印数据结构，确认嵌套层数：

# 打印语料总长度、第一条序列的类型、第一条序列的前5个三元组
print(len(kmersdatapos))
print(type(kmersdatapos[0]))
print(kmersdatapos[0][:5])

如果输出显示kmersdatapos[0][0]依然是列表类型，就说明拆分三元组时多套了一层嵌套结构。

• 第二步：扁平化处理数据
  将嵌套的三元组转换为字符串类型的一维列表：

processed_kmers = []
for seq in kmersdatapos:
    # 提取内层列表的字符串元素，生成单层级的三元组列表
    flat_seq = [item[0] for item in seq]
    processed_kmers.append(flat_seq)

• 第三步：重新训练模型
  用处理后的数据训练Word2Vec即可：

import multiprocessing
# 注：如果你使用的是gensim 4.0+版本，参数需要调整：size改为vector_size，iter改为epochs
w2vpos = Word2Vec(processed_kmers, size=EMB_DIM, window=5, min_count=5, negative=15, iter=10, workers=multiprocessing.cpu_count())

内容的提问来源于stack exchange，提问作者Ash Roy