scikit-fusion 0.2.1

依赖关系

scikit fusion经过测试可以在python 3下工作。

构建软件所需的依赖项是numpy>；=1.7，scipy>；=0.12， pygraphviz>；=1.3（仅用于绘制数据融合图）和joblib>；=0.8.4。

安装

这个包使用distutils，这是默认的安装方式 python模块。要在主目录中安装，请使用：

python setup.py install --user

在UNIX/Linux上为所有用户安装：

python setup.py build
sudo python setup.py install

对于开发模式使用：

python setup.py develop

用法

让我们生成三个描述三种不同对象类型的随机数据矩阵：

>>> import numpy as np
>>> R12 = np.random.rand(50, 100)
>>> R13 = np.random.rand(50, 40)
>>> R23 = np.random.rand(100, 40)

接下来，我们定义数据融合图：

>>> from skfusion import fusion
>>> t1 = fusion.ObjectType('Type 1', 10)
>>> t2 = fusion.ObjectType('Type 2', 20)
>>> t3 = fusion.ObjectType('Type 3', 30)
>>> relations = [fusion.Relation(R12, t1, t2),
                 fusion.Relation(R13, t1, t3),
                 fusion.Relation(R23, t2, t3)]
>>> fusion_graph = fusion.FusionGraph()
>>> fusion_graph.add_relations_from(relations)

然后共同推断潜在数据模型：

>>> fuser = fusion.Dfmf()
>>> fuser.fuse(fusion_graph)
>>> print(fuser.factor(t1).shape)
(50, 10)

之后可能会有新的数据：

>>> new_R12 = np.random.rand(10, 100)
>>> new_R13 = np.random.rand(10, 40)

为此我们定义了融合图：

>>> new_relations = [fusion.Relation(new_R12, t1, t2),
                     fusion.Relation(new_R13, t1, t3)]
>>> new_graph = fusion.FusionGraph(new_relations)

并将新对象转换为由fuser：

>>> transformer = fusion.DfmfTransform()
>>> transformer.transform(t1, new_graph, fuser)
>>> print(transformer.factor(t1).shape)
(10, 10)

scikit fusion与一些工作数据融合场景一起发布：

>>> from skfusion import datasets
>>> dicty = datasets.load_dicty()
>>> print(dicty)
FusionGraph(Object types: 3, Relations: 3)
>>> print(dicty.object_types)
{ObjectType(GO term), ObjectType(Experimental condition), ObjectType(Gene)}
>>> print(dicty.relations)
{Relation(ObjectType(Gene), ObjectType(GO term)),
 Relation(ObjectType(Gene), ObjectType(Gene)),
 Relation(ObjectType(Gene), ObjectType(Experimental condition))}

相关链接

• 官方源代码回购：https://github.com/marinkaz/scikit-fusion
• HTML文档：TBA
• 下载版本：https://github.com/marinkaz/scikit-fusion/releases
• 问题跟踪程序：https://github.com/marinkaz/scikit-fusion/issues

• 矩阵分解数据融合：http://dx.doi.org/10.1109/TPAMI.2014.2343973
• 通过融合系统级分子数据发现疾病关联：http://www.nature.com/srep/2013/131115/srep03202/full/srep03202.html
• 基于矩阵分解的面包酵母和粘菌基因功能预测数据融合：http://www.worldscientific.com/doi/pdf/10.1142/9789814583220_0038
• 基于矩阵分解的药物性肝损伤预测数据融合：http://www.tandfonline.com/doi/abs/10.4161/sysb.29072
• 数据融合生存回归：http://www.tandfonline.com/doi/abs/10.1080/21628130.2015.1016702