时间戳

首页 > 解决方案 > 在同一数据框中迭代地比较列值

python - 在同一数据框中迭代地比较列值

问题描述

我的最终目标是摆脱重叠的基因。为了做到这一点，我确定了三个条件，但我不会详细介绍它们。如果您需要这些来提供替代方法，我可以提及它们。

基本上，我想比较两列的值（int64）。但是，我想这样做，即应将单行与所有剩余行进行比较，如果满足条件，则应按顺序对下一行和其他行执行相同的步骤。

我需要检查数据框中的每一行是否满足给定条件。在此过程中，我需要使用两列的（“开始”和“结束”）值。您可以在下面的伪代码中看到其中一种情况。

如果满足以下条件，我想删除行 (DF2.loc[row_loop]) 或创建一个新列并分配一个标签，使我能够了解是否存在重叠。然后，我可以删除这些行。

健康）状况：

(rowA ["Start"] >= rowB ["Start"]) and (rowA ["Start"] <= rowB ["End"]) and (rowA ["End"] >= rowB ["Start"])和 (rowA ["End"] >= rowB ["End"])

这就是我的数据框的样子：

DF2.head()
染色体名称 序列_源 Sequence_Feature 开始 结尾 绞线 基因ID
0 1 ensembl_havana 基因 14363 34806 - “ENSG00000227232”
1 1 哈瓦那 基因 89295 138566 - “ENSG00000238009”
2 1 哈瓦那 基因 141474 178862 - “ENSG00000241860”
3 1 哈瓦那 基因 227615 272253 - “ENSG00000228463”
4 1 ensembl_havana 基因 312720 453948 + “ENSG00000237094”

这就是我到目前为止所拥有的：

for ref_row in range(0, len(DF2) - 1):
   for row_loop in range(ref_row + 1, len(DF2)):
     if (DF2.loc[ref_row, ["Start"]] >= DF2.loc[row_loop, ["Start"]]) & (DF2.loc[ref_row, ["Start"]] <= DF2.loc[row_loop, ["End"]]) & (DF2.loc[ref_row, ["End"]] >=  DF2.loc[row_loop, ["Start"]]) & (DF2.loc[ref_row, ["End"]] >= DF2.loc[row_loop, ["End"]]):
        DF2.drop(row_loop)

运行上述代码后，我得到一个 ValueError，上面写着“只能比较标记相同的系列对象”。

我还将 if 条件替换为：

DF2["Overlap"] = np.where((DF2.loc[ref_row, ["Start"]] >= DF2.loc[row_loop, ["Start"]]) & (DF2.loc[ref_row, ["Start"]] <= DF2.loc[row_loop, ["End"]]) & (DF2.loc[ref_row, ["End"]] >=  DF2.loc[row_loop, ["Start"]]) & (DF2.loc[ref_row, ["End"]] >= DF2.loc[row_loop, ["End"]]), np.nan, DF2["Gene_Name"])

但仍然得到相同的 ValueError。

谁能为我提供解决方案或另一种方法来实现我的目标？

提前致谢。

顺便说一句，我为我的英语感到抱歉。我很难通过写作来解释我的目标，我希望你明白了。

标签： pythonpandasdataframecomparebioinformatics

解决方案

根据您的演示数据和代码：

构建测试数据框（这应该包含在以后的问题中）

DF2 = {
'Chromosome_Name': [1, 1, 1, 1, 1], 
'Sequence_Source': ['ensembl_havana', 'havana', 'havana', 'havana', 'ensembl_havana'], 
'Sequence_Feature': ['gene', 'gene', 'gene', 'gene', 'gene'], 
'Start': [14363, 89295, 141474, 227615, 312720], 
'End': [34806, 138566, 178862, 272253, 453948], 
'Strand': ['-', '-', '-', '-', '+'],
'Gene_ID': ['ENSG00000227232', 'ENSG00000238009', 'ENSG00000241860', 'ENSG00000228463', 'ENSG00000237094']
}

指定重叠的行

DF2["Overlap"] = False # create column to track overlap
for ref_row in range(0, len(DF2)-1):
    for row_loop in range(ref_row+1, len(DF2)):
        # update overlap to true, does not allow revert to False
        if DF2.loc[ref_row]["Overlap"] != False:
            DF2[ref_row]["Overlap"] = np.where(
                (DF2.loc[ref_row]["Start"] >= DF2.loc[row_loop]["Start"]) & \
                (DF2.loc[ref_row]["Start"] <= DF2.loc[row_loop]["End"]) & \
                (DF2.loc[ref_row]["End"] >=  DF2.loc[row_loop]["Start"]) & \
                (DF2.loc[ref_row]["End"] >= DF2.loc[row_l]["End"])
            )

我从条件中删除np.nan并DF2["Gene_Name"]简化。在当前条件下，没有发现重叠。您可能希望将条件分解为两部分：

  1. A在B里面吗？
  2. B在A里面吗？

您遇到的错误是由于使用不当造成的.loc。

DF2.loc[2, ["Start"]]
Out: 
Start    141474
Name: 2, dtype: object

DF2.loc[2]["Start"]
Out: 141474

推荐阅读