def parse_data_split(self, file): # 读取数据文件中的perts和cell_types perts = pd.read_csv(file + "/perts.csv", sep="\t", header=None, names=["Values"])['Values'].values.tolist() cell_types = pd.read_csv(file + "/cell_types.csv", sep="\t", header=None, names=["Values"])[ 'Values'].values.tolist() pert_meta = [] data = [] for cell in cell_types: # 读取对应细胞类型的数据文件 df = pd.read_csv(file + "/tensor/" + cell + ".csv", sep=",", header=None).values for i in range(len(df)): if np.isnan(df[i]).any():#判断是否存在空值 continue # 添加非空的数据和对应的meta信息 data.append(df[i]) pert_meta.append([cell, perts[i], "trt_cp"]) data = np.asarray(data)#转换为多维矩阵 data = data / np.max(np.abs(data))#将数据进行归一化处理，使数据中的最大值变为 1 或 -1。具体来说，它首先通过 np.abs(data) 计算数据的绝对值，然后通过 np.max 计算绝对值的最大值，最后将数据除以该最大值，从而将数据缩放到 [-1, 1] 或 [0, 1] 的区间内。这种归一化操作通常可以提高数据分析和机器学习算法的性能，因为它可以减小数据的尺度差异，使不同特征的权重更加平衡。 return data, pert_meta, perts

这段代码定义了一个名为 parse_data_split 的函数，用于从指定的数据文件中读取数据并进行处理。该函数的输入参数为一个文件路径 file，表示数据文件所在的目录。函数首先使用 pandas 库的 read_csv 函数读取 perts.csv 和 cell_types.csv 两个文件，将它们分别转换成列表形式的 perts 和 cell_types。然后，函数遍历每个细胞类型，使用 pandas 库的 read_csv 函数读取该细胞类型对应的数据文件（以 .csv 格式存储），并将其转换成矩阵形式。接着，函数将非空的数据和对应的 meta 信息（即细胞类型、perts 和 "trt_cp"）分别存储到 data 和 pert_meta 两个列表中。最后，函数将 data 转换成 numpy 数组形式，并使用归一化操作将数据缩放到 [-1, 1] 或 [0, 1] 的区间内，然后将 data、pert_meta 和 perts 三个列表作为函数的输出结果返回。