# 转换SMILES为分子指纹 smiles = data['SMILES'] fps = [] for smi in smiles: mol = Chem.MolFromSmiles(smi) fp = rdFingerprintGenerator.GetCountFPs([mol])[0] fps.append(fp.ToBitString())

你提供的代码是将SMILES转换为分子指纹，并将分子指纹表示为字符串（使用 `ToBitString()` 方法）。请注意，这种表示形式是一种二进制字符串，而不是数值数组。如果你想将分子指纹作为数值特征使用，你可以进一步将这些字符串转换为数值数组。

以下是修改后的代码，演示了如何将分子指纹字符串转换为数值数组：

import pandas as pd
from rdkit import Chem
from rdkit.Chem import rdFingerprintGenerator
import numpy as np
import xgboost as xgb

# 读取数据集
data = pd.read_csv('your_data.csv')

# 转换SMILES为分子指纹
smiles = data['SMILES']
fps = []
for smi in smiles:
    mol = Chem.MolFromSmiles(smi)
    fp = rdFingerprintGenerator.GetCountFPs([mol])[0]
    fps.append(fp.ToBitString())

# 将分子指纹字符串转换为数值数组
fps_array = np.array([list(fp) for fp in fps], dtype=int)

# 将分子指纹加入数据集
data['Fingerprint'] = fps_array.tolist()

# 准备训练数据
X = np.array(data['Fingerprint'])
y = np.array(data['target_variable'])

# 定义XGBoost模型
model = xgb.XGBClassifier()

# 拟合模型
model.fit(X, y)

# 进行预测
predictions = model.predict(X)

请注意，在这个示例中，我们将分子指纹字符串转换为了一个由0和1组成的数值数组（使用 `np.array` 和 `list(fp)`）。这样，分子指纹可以作为数值特征被正确处理和使用。