From d875246f8bea38fb3f6622b5c5807cee71a4c9c8 Mon Sep 17 00:00:00 2001
From: local_comparaison <mathieu.umec@inrae.fr>
Date: Wed, 16 Aug 2023 14:14:22 +0200
Subject: [PATCH] fixing the pretreatment code of Ramp datas
---
Pretaitement_des_donnes_de_mapping.py | 63 ++++++++++++++++----------
Visualisation_des_donnes_de_mapping.py | 10 ++--
2 files changed, 44 insertions(+), 29 deletions(-)
diff --git a/Pretaitement_des_donnes_de_mapping.py b/Pretaitement_des_donnes_de_mapping.py
index f744e10..089a7f7 100644
--- a/Pretaitement_des_donnes_de_mapping.py
+++ b/Pretaitement_des_donnes_de_mapping.py
@@ -3,12 +3,22 @@ import pandas as pd
import openpyxl as xls
import jpype
import asposecells
+import csv
jpype.startJVM()
from asposecells.api import *
input_fill="C:\\Users\\mumec\\Desktop\\fichier_en_cours_dutilisation\\ExportExcel_4311-1.xlsx"
Dossier_sortie="C:\\Users\\mumec\\Desktop\\fichier_en_cours_dutilisation\\"
+def recuperation_de_colonne(file, n, sep=";"):
+ with open(file,"r") as f:
+ r=csv.reader(f, delimiter = sep)
+ lignes=list(r) # variable interne non utilisable
+ res=[]
+ if (n < len(lignes[0])) and (n >= -len(lignes[0])):
+ for l in lignes :
+ res.append(l[n].strip())
+ return res
def recup_1_Pathways (input_fill, Dossier_sortie) :
fichier_entree = Workbook(input_fill) # chargement du fichier excel
@@ -123,54 +133,59 @@ def mise_en_forme_CPDB_mapping (Results_fill, correspondance_fill, output_fill):
excel_file_sortie.close()
-def pretraitement_resultats_Ramp (Resultas_Ramp, output_file_lists,output_file_table, pathways_IDs='oui'):
+def pretraitement_resultats_Ramp (Resultas_Ramp, output_file, pathways_IDs='oui'):
colonne_Pathways_Name=recuperation_de_colonne(Resultas_Ramp, 0)
colonne_input_IDs=recuperation_de_colonne(Resultas_Ramp, 3)
colonne_input_common_Name=recuperation_de_colonne(Resultas_Ramp, 4)
if (pathways_IDs=="oui") :
- print('Salut')
colonne_Pathways_IDs=recuperation_de_colonne(Resultas_Ramp, 2)
IDs_Tout_les_Pathways=[]
IDs_Tout_les_metabolites_mappes=[]
Name_Tout_les_metabolites_mappes=[]
Tout_les_Pathways=[]
+ metabolites_ID_associe_au_pathway=[]
+ metabolites_name_associe_au_pathway=[]
for numero in range (1,len(colonne_Pathways_IDs)):
if (colonne_Pathways_Name[numero] not in Tout_les_Pathways):
Tout_les_Pathways.append(colonne_Pathways_Name[numero])
+ metabolites_ID_associe_au_pathway.append([colonne_input_IDs[numero]])
+ metabolites_name_associe_au_pathway.append([colonne_input_common_Name[numero]])
if (pathways_IDs=="oui") :
IDs_Tout_les_Pathways.append(colonne_Pathways_IDs[numero])
+ else:
+ metabolites_ID_associe_au_pathway[Tout_les_Pathways.index(colonne_Pathways_Name[numero])].append(colonne_input_IDs[numero])
+ metabolites_name_associe_au_pathway[Tout_les_Pathways.index(colonne_Pathways_Name[numero])].append(colonne_input_common_Name[numero])
if colonne_input_IDs[numero] not in IDs_Tout_les_metabolites_mappes :
IDs_Tout_les_metabolites_mappes.append(colonne_input_IDs[numero])
Name_Tout_les_metabolites_mappes.append(colonne_input_common_Name[numero])
-
- print(len(Tout_les_Pathways))
- print(len(IDs_Tout_les_Pathways))
- print(len(Name_Tout_les_metabolites_mappes))
- print(len(IDs_Tout_les_metabolites_mappes))
-
- tableau_des_pathways=np.zeros((len(Name_Tout_les_metabolites_mappes),len(Tout_les_Pathways)))
-
- for iteration in range (1,len(colonne_input_IDs)):
- tableau_des_pathways[IDs_Tout_les_metabolites_mappes.index(colonne_input_IDs[iteration]),Tout_les_Pathways.index(colonne_Pathways_Name[iteration])]+=1
-
- print(np.sum(tableau_des_pathways))
+ Tout_les_Pathways.insert(0,"Noms_voies_metaboliques")
+ IDs_Tout_les_Pathways.insert(0,"ID_voies _metaboliques")
+ Name_Tout_les_metabolites_mappes.insert(0,"Noms_metabolites_mappes")
+ IDs_Tout_les_metabolites_mappes.insert(0,"ID_metabolites_mappes")
+ metabolites_ID_associe_au_pathway.insert(0,"ID_metabolites_associés")
+ metabolites_name_associe_au_pathway.insert(0,"Noms_metabolites_associés")
if (pathways_IDs=="oui") :
- Ensemble=[Tout_les_Pathways,IDs_Tout_les_Pathways, Name_Tout_les_metabolites_mappes,IDs_Tout_les_metabolites_mappes]
+ Total=[Tout_les_Pathways,IDs_Tout_les_Pathways,metabolites_ID_associe_au_pathway,metabolites_name_associe_au_pathway, Name_Tout_les_metabolites_mappes,IDs_Tout_les_metabolites_mappes]
else:
- Ensemble=[Tout_les_Pathways,Name_Tout_les_metabolites_mappes,IDs_Tout_les_metabolites_mappes]
+ Total=[Tout_les_Pathways,metabolites_ID_associe_au_pathway,metabolites_name_associe_au_pathway,Name_Tout_les_metabolites_mappes,IDs_Tout_les_metabolites_mappes]
+ P_et_M=[Tout_les_Pathways,metabolites_ID_associe_au_pathway,metabolites_name_associe_au_pathway]
+ P_et_M_name=[Tout_les_Pathways,metabolites_name_associe_au_pathway]
+
+
- Ensemble = pd.DataFrame(Ensemble ,dtype=object)
- excel_file_Ensemble = pd.ExcelWriter(output_file_lists)
- Ensemble.to_excel(excel_file_Ensemble)
- excel_file_Ensemble.close()
+ Total = pd.DataFrame(Total ,dtype=object)
+ P_et_M= pd.DataFrame(P_et_M ,dtype=object)
+ P_et_M_name= pd.DataFrame(P_et_M_name ,dtype=object)
+ excel_file = pd.ExcelWriter(output_file)
+ Total.to_excel(excel_file,sheet_name="global")
+ P_et_M.to_excel(excel_file,sheet_name="Pathways_et_les_metas")
+ P_et_M_name.to_excel(excel_file,sheet_name="Pathways_et_les_metas_name")
+ excel_file.close()
- tableau_des_pathways = pd.DataFrame(tableau_des_pathways ,dtype=object)
- excel_file_table = pd.ExcelWriter(output_file_table)
- tableau_des_pathways.to_excel(excel_file_table)
- excel_file_table.close()
+pretraitement_resultats_Ramp ("C:\\Users\\mumec\\Desktop\\Mini_codes\\results_LTest_V0_ramp_pathways.csv", "C:\\Users\\mumec\\Desktop\\Mini_codes\\results_LTest_V0_ramp_pathways_listes.xlsx", pathways_IDs='oui')
\ No newline at end of file
diff --git a/Visualisation_des_donnes_de_mapping.py b/Visualisation_des_donnes_de_mapping.py
index 411c93a..87533bd 100644
--- a/Visualisation_des_donnes_de_mapping.py
+++ b/Visualisation_des_donnes_de_mapping.py
@@ -49,7 +49,7 @@ def Distance_matrix_clustering (input_file,val_infini=50):
##### Traitement de la matrice de distance
nombre_de_clusters=7
- clustering = AgglomerativeClustering(n_clusters = nombre_de_clusters, metric = "precomputed",linkage="complete").fit(matrice_pour_traitement)
+ clustering = AgglomerativeClustering(n_clusters = nombre_de_clusters, metric = "precomputed",linkage="average").fit(matrice_pour_traitement)
#results_clustering=pd.DataFrame ({'in': [clustering.labels_] })
results_clustering=clustering.labels_
print(results_clustering)
@@ -86,7 +86,7 @@ def Distance_matrix_clustering (input_file,val_infini=50):
plt.suptitle('les differents cluster')
plt.show()
-#Distance_matrix_clustering("C:\\Users\\mumec\\Desktop\\Mini_codes\\DistanceMatrix_compose_interet.xlsx")
+Distance_matrix_clustering("C:\\Users\\mumec\\Desktop\\Mini_codes\\DistanceMatrix_compose_interet.xlsx")
@@ -105,7 +105,7 @@ def visualisation_recouvrement (File, titre_du_graphique="Recouvrement moyen des
p1.tick_params(axis='x', rotation=90, size=1) #rotation des ticklabels
plt.show()
-#visualisation_recouvrement ("C:\\Users\\mumec\\Desktop\\Mini_codes\\fichier_pour_tests_graph.xlsx",titre_du_graphique="Recouvrement moyen des différentes voies métaboliques de la liste constructeurs sur KEGG")
+visualisation_recouvrement ("C:\\Users\\mumec\\Desktop\\Mini_codes\\fichier_pour_tests_graph.xlsx",titre_du_graphique="Recouvrement moyen des différentes voies métaboliques de la liste constructeurs sur KEGG")
@@ -122,7 +122,7 @@ def boite_a_moustache(File_of_data, titre_de_la_boite="boite a moustache des mes
# plt.savefig('SimpleBoxPlot.png')
plt.show()
-#☻boite_a_moustache("C:\\Users\\mumec\\Desktop\\Mini_codes\\fichier_pour_test_moustache.xlsx", titre_de_la_boite="boite a moustache des mes données")
+boite_a_moustache("C:\\Users\\mumec\\Desktop\\Mini_codes\\fichier_pour_test_moustache.xlsx", titre_de_la_boite="boite a moustache des mes données")
@@ -161,7 +161,7 @@ def Camenbert(File_of_data, titre_de_la_boite="boite a moustache des mes donnée
plt.show()
-
+Camenbert("C:\\Users\\mumec\\Desktop\\Mini_codes\\fichier_pour_test_moustache.xlsx", titre_de_la_boite="boite a moustache des mes données",valeur_filtrage=1)
--
GitLab