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。
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:
- A在B里面吗?
- 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
- python-3.x - Python3 Pygal Worldmap 数据未显示
- java - 使用 RadialGradientPaint 在 JAVA 中创建光
- ios - 如何在 TableController 的 ImageView 中正确添加图像?
- java - 在 xpath 的第 n 个实例上捕获元素会减慢多次运行后的代码运行速度
- matplotlib-basemap - cartopy:NOAA APT 图像上的地图叠加层
- c++ - 在课堂组合中建立数据链接的最佳方式
- spring - Run and close child context from parent app
- awk - awk / gawk printf 可变格式字符串时,将零更改为破折号
- html - 日期选择器和时间选择器应该分开
- swift - 从 Swift 中的 Firebase 实时数据库获取当前服务器时间