python 实现根据文件“Molecular_Descriptor.xlsx”和“ERα_activity.xlsx”提供的数据，针对1974个化合物的729个分子描述符进行变量选择，根据变量对生物活性影响的重要性进行排序，并给出前20个对生物活性最具有显著影响的分子描述符（即变量），并请详细说明分子描述符筛选过程及其合理性。

好的，针对问题1，我将为您提供一个基于随机森林的特征选择和重要性排序方法的Python实现。

首先，我们需要读取数据集并进行预处理，代码如下：

import pandas as pd
import numpy as np

# 读取数据集
df_md = pd.read_excel("Molecular_Descriptor.xlsx", index_col=0)
df_act = pd.read_excel("ERα_activity.xlsx", index_col=0)

# 合并数据集
df = pd.concat([df_md, df_act], axis=1)

# 划分特征和标签
X = df.iloc[:, :-1]
y = df.iloc[:, -1]

# 数据标准化
from sklearn.preprocessing import StandardScaler

scaler = StandardScaler().fit(X)
X_scaled = scaler.transform(X)

接着，我们可以使用随机森林进行特征选择和重要性排序，代码如下：

from sklearn.ensemble import RandomForestRegressor

# 训练随机森林模型
rf = RandomForestRegressor(n_estimators=100, random_state=0)
rf.fit(X_scaled, y)

# 获取特征重要性
importances = rf.feature_importances_

# 根据重要性对特征进行排序
indices = np.argsort(importances)[::-1]

# 打印前20个重要的特征
top_features = X.columns[indices][:20]
print(top_features)

运行以上代码，即可得到对生物活性影响最显著的前20个分子描述符。

这里使用随机森林的原因是，随机森林可以通过特征重要性对特征进行排序，从而找出对目标变量影响最显著的特征。同时，随机森林可以处理高维数据集，并且具有较好的预测性能和泛化能力。

需要注意的是，在进行特征选择和重要性排序之前，我们对数据集进行了标准化处理，这是为了避免不同特征之间的度量单位不同而导致的影响。