如何将CSV文件最后一列序列转为字符级one-hot编码矩阵适配PyTorch模型

原有代码核心错误 #

• 读取数据时pd.read_csv('database.csv', usecols=[4])返回的是二维DataFrame对象，直接遍历data得到的是列名，而非列中存储的氨基酸序列值
• 代码逻辑没有遍历每个序列内部的单个氨基酸字符，也没有为每个序列单独生成对应的one-hot编码矩阵，完全不符合字符级编码的需求

正确实现代码 #

import pandas as pd
import torch
from torch.nn.utils.rnn import pad_sequence

# 1. 正确读取最后一列，squeeze参数将单列DataFrame转为Series，每个元素对应一个氨基酸序列
data = pd.read_csv('database.csv', usecols=[4]).squeeze().tolist()

# 2. 氨基酸映射表保持不变
alphabet = ['A', 'C', 'D', 'E', 'F', 'G','H', 'I', 'K', 'L', 'M', 'N', 'P', 'Q', 'R', 'S', 'T', 'V', 'W', 'Y']
char_to_idx = {c:i for i,c in enumerate(alphabet)}
num_alphabet = len(alphabet)

onehot_list = []
for seq in data:
    # 3. 遍历单个序列的每个字符生成编码
    seq_onehot = []
    for char in seq:
        vec = [0]*num_alphabet
        vec[char_to_idx[char]] = 1
        seq_onehot.append(vec)
    # 转为tensor方便后续PyTorch使用，形状为[序列长度, 20]
    onehot_list.append(torch.tensor(seq_onehot, dtype=torch.float32))

# 4. 适配PyTorch批次训练可选：如果序列长度不一致，可使用pad_sequence对齐
# 对齐后形状为 [batch_size, max_len, 20]，batch_size为序列数量，max_len为最长序列长度，20为氨基酸类别数
padded_onehot = pad_sequence(onehot_list, batch_first=True)

输出说明 #

• 单个序列的one-hot编码形状为 [序列长度, 20]，20对应20种标准氨基酸
• 对齐后的批次数据可直接输入PyTorch的CNN、RNN等模型使用
• 若序列中存在不在alphabet里的异常字符，可在映射时增加异常处理逻辑，比如指定默认索引或者过滤序列

内容的提问来源于stack exchange，提问作者khashayar ehteshami