使用python写一段代码实现读入FPKM数据，使用Pearson相关系数进行相关性度量方法，构建出共表达网络，节点表示基因，边表示基因之间的相关性。

要实现读取FPKM数据，并使用Pearson相关系数构建共表达网络，你可以使用Python的pandas和networkx库。以下是一段示例代码：

import pandas as pd
import networkx as nx
import numpy as np

# 读取FPKM数据文件，假设文件名为fpkm_data.csv，第一列为基因名称，后续列为FPKM值
data = pd.read_csv('fpkm_data.csv')

# 提取基因名称和FPKM值
gene_names = data.iloc[:, 0].values
fpkm_values = data.iloc[:, 1:].values

# 计算基因之间的Pearson相关系数
correlation_matrix = np.corrcoef(fpkm_values, rowvar=False)

# 创建共表达网络
coexpression_network = nx.Graph()

# 添加节点
coexpression_network.add_nodes_from(gene_names)

# 添加边及相关性作为边的权重
num_genes = len(gene_names)
for i in range(num_genes):
    for j in range(i + 1, num_genes):
        correlation = correlation_matrix[i, j]
        if abs(correlation) > 0.7:  # 设置相关性阈值，只保留相关性大于0.7的边
            coexpression_network.add_edge(gene_names[i], gene_names[j], weight=correlation)

# 打印共表达网络的节点数和边数
print("节点数:", coexpression_network.number_of_nodes())
print("边数:", coexpression_network.number_of_edges())

上述代码假设你的FPKM数据存储在名为`fpkm_data.csv`的CSV文件中。你需要将代码中的文件名替换为你实际使用的文件名。代码首先使用pandas库读取FPKM数据文件，并提取基因名称和FPKM值。然后，使用numpy库的`corrcoef`函数计算FPKM值之间的Pearson相关系数，得到相关性矩阵。接下来，使用networkx库创建一个空的共表达网络，并根据相关性矩阵添加节点和边。在这里，我们设置了一个相关性阈值0.7，只保留相关性大于0.7的边。最后，打印共表达网络的节点数和边数。

请注意，以上代码只是一个示例，你可以根据实际情况进行修改和扩展，如根据需要设置不同的相关性阈值、可视化共表达网络等。