因此,我使用此代码来打印主序列中表示为 SOURCE 的子序列的开始和停止位置。主序列由GENE识别。 GENE 中的某些序列具有 DIRECTION 的两个组成部分:+ 和 -,并且这些序列被视为唯一序列。然而,我没有意识到的是,在首先生成数据集时(通过将许多源序列的文件与基因序列对齐),我有多个实例,其中存在源序列的多个“有效”比对针对基因序列。我需要一种方法来删除 SOURCE 序列中 GENE 序列中出现次数最少的条目,或者在 SOURCE 序列数量相同的情况下删除 POS1 到最终 POS2 范围最小的条目。我在下面有一个示例输出,其中包含一个澄清的示例。
这是我的 Python 代码:
import pandas
import pandas as pd
import sys
import csv
##sys.stdout = open("Sampletest2d.txt", "w")
##data = pd.read_csv('Sampletest2.txt', sep='\t')
sys.stdout = open("ExonFileTry1Part3.txt", "w")
data = pd.read_csv('ExonFileTry1.txt', sep='\t')
groups = data.groupby(['GENE', 'DIRECTION'])
fixedgroups = []
for (gene_id, strand), group in groups:
#print gene_id, strand
if strand == '+':
group['POS-1'] = group.POS1
group['POS-2'] = group.POS2
else:
group['POS-1'] = group.POS2
group['POS-2'] = group.POS1
#print group
fixedgroups.append(group)
print fixedgroups
数据集(制表符分隔)
GENE DIRECTION POS1 POS2 SOURCE
TT-1 + 1 16 A1
TT-1 + 130 289 A1
TT-1 + 353 438 A1
TT-1 + 519 580 A1
TT-1 + 665 742 A1
TT-1 + 813 864 A1
TT-1 + 931 975 A1
TT-1 + 1053 1166 A1
TT-1 + 1 16 B2
TT-1 + 130 289 B2
TT-1 + 353 438 B2
TT-1 + 519 580 B2
TT-1 + 665 742 B2
TT-1 + 813 864 B2
TT-1 + 931 975 B2
TT-1 + 1053 1161 B2
BB-2 + 3 659 C3
BB-2 + 3 640 D4
BB-2 - 1093 426 E5
BB-2 - 1093 508 F6
EE-3 + 1 95 G7
EE-3 + 155 377 G7
EE-3 + 439 513 G7
EE-3 + 577 840 G7
EE-3 + 1 95 H8
EE-3 + 155 377 H8
EE-3 + 439 513 H8
EE-3 - 840 577 I9
EE-3 - 513 439 I9
EE-3 - 377 155 I9
EE-3 - 840 577 J10
EE-3 - 513 458 J10
有时,一个基因具有多个源序列,并且来自一个源的序列比另一个源的序列多。但是,有时来自两个不同 SOURCE 的序列数量相同,在这种情况下,我需要保留该 SOURCE 的第一个 POS1 和最后一个 POS2 之间具有最大值范围的 SOURCE。
例如,在+ DIRECTION中的GENE TT-1中,有两个SOURCE集A1和B2,它们都有8个条目。但是,SOURCE A1 的最终 POS2 为 1166,而 B2 的最终 POS2 为 1161,因此 B2 的范围较小,应删除。
我花了难以置信的时间来理解如何做我已经做过的事情,并且这是基于类似的代码开始的。我觉得我知道我想在这里做什么,但我只是不知道语法,因为我的计算机科学知识极其有限。感谢您提前提供的任何帮助!
最佳答案
以下是 @D.A. 答案的变体:
首先,一些样板设置:
import pandas as pd
import io
data = '''\
GENE DIRECTION POS1 POS2 SOURCE
TT-1 + 1 16 A1
TT-1 + 130 289 A1
TT-1 + 353 438 A1
TT-1 + 519 580 A1
TT-1 + 665 742 A1
TT-1 + 813 864 A1
TT-1 + 931 975 A1
TT-1 + 1053 1166 A1
TT-1 + 1 16 B2
TT-1 + 130 289 B2
TT-1 + 353 438 B2
TT-1 + 519 580 B2
TT-1 + 665 742 B2
TT-1 + 813 864 B2
TT-1 + 931 975 B2
TT-1 + 1053 1161 B2
BB-2 + 3 659 C3
BB-2 + 3 640 D4
BB-2 - 1093 426 E5
BB-2 - 1093 508 F6
EE-3 + 1 95 G7
EE-3 + 155 377 G7
EE-3 + 439 513 G7
EE-3 + 577 840 G7
EE-3 + 1 95 H8
EE-3 + 155 377 H8
EE-3 + 439 513 H8
EE-3 - 840 577 I9
EE-3 - 513 439 I9
EE-3 - 377 155 I9
EE-3 - 840 577 J10
EE-3 - 513 458 J10'''
df = pd.read_table(io.BytesIO(data), sep='\t')
现在我们添加 RANGE
和 SUMRANGE
列,就像 @D.A.做了:
df['RANGE'] = abs(df['POS2']-df['POS1'])
df['SUMRANGE'] = df.groupby(["GENE", "DIRECTION", "SOURCE"])['RANGE'].cumsum()
print(df)
# GENE DIRECTION POS1 POS2 SOURCE RANGE SUMRANGE
# 0 TT-1 + 1 16 A1 15 15
# 1 TT-1 + 130 289 A1 159 174
# 2 TT-1 + 353 438 A1 85 259
# 3 TT-1 + 519 580 A1 61 320
# 4 TT-1 + 665 742 A1 77 397
# 5 TT-1 + 813 864 A1 51 448
# 6 TT-1 + 931 975 A1 44 492
# 7 TT-1 + 1053 1166 A1 113 605
# 8 TT-1 + 1 16 B2 15 15
# 9 TT-1 + 130 289 B2 159 174
# 10 TT-1 + 353 438 B2 85 259
# 11 TT-1 + 519 580 B2 61 320
# 12 TT-1 + 665 742 B2 77 397
# 13 TT-1 + 813 864 B2 51 448
# 14 TT-1 + 931 975 B2 44 492
# 15 TT-1 + 1053 1161 B2 108 600
# 16 BB-2 + 3 659 C3 656 656
# 17 BB-2 + 3 640 D4 637 637
# 18 BB-2 - 1093 426 E5 667 667
# 19 BB-2 - 1093 508 F6 585 585
# 20 EE-3 + 1 95 G7 94 94
# 21 EE-3 + 155 377 G7 222 316
# 22 EE-3 + 439 513 G7 74 390
# 23 EE-3 + 577 840 G7 263 653
# 24 EE-3 + 1 95 H8 94 94
# 25 EE-3 + 155 377 H8 222 316
# 26 EE-3 + 439 513 H8 74 390
# 27 EE-3 - 840 577 I9 263 263
# 28 EE-3 - 513 439 I9 74 337
# 29 EE-3 - 377 155 I9 222 559
# 30 EE-3 - 840 577 J10 263 263
# 31 EE-3 - 513 458 J10 55 318
对于每个具有共同GENE和DIRECTION的组,记录具有最大SUMRANGE的行的索引:
idx = df.groupby(["GENE", "DIRECTION"])['SUMRANGE'].agg(lambda col: col.idxmax())
print(idx)
# GENE DIRECTION
# BB-2 + 16
# - 18
# EE-3 + 23
# - 29
# TT-1 + 7
# Name: SUMRANGE
选择 df
的子 DataFrame,其中包含 GENE、DIRECTION 和 SOURCE 列以及由 idx
指定的行:
dfm = df.ix[idx, ['GENE','DIRECTION','SOURCE']]
print(dfm)
# GENE DIRECTION SOURCE
# 16 BB-2 + C3
# 18 BB-2 - E5
# 23 EE-3 + G7
# 29 EE-3 - I9
# 7 TT-1 + A1
对 df
和 dfm
进行内部合并。键是 df
和 dfm
公共(public)列的交集——即 GENE、DIRECTION 和 SOURCE。 “内部”合并仅保留 df
和 dfm
共享相同键的行。因此,在生成的合并 DataFrame 中,df
的 GENE、DIRECTION 和 SOURCE 必须与 dfm
的 GENE、DIRECTION 和 SOURCE 匹配。因此,所有具有错误 SOURCE 的行都会被删除:
result = pd.merge(df, dfm, how = 'inner')
print(result)
# GENE DIRECTION POS1 POS2 SOURCE RANGE SUMRANGE
# 0 TT-1 + 1 16 A1 15 15
# 1 TT-1 + 130 289 A1 159 174
# 2 TT-1 + 353 438 A1 85 259
# 3 TT-1 + 519 580 A1 61 320
# 4 TT-1 + 665 742 A1 77 397
# 5 TT-1 + 813 864 A1 51 448
# 6 TT-1 + 931 975 A1 44 492
# 7 TT-1 + 1053 1166 A1 113 605
# 8 BB-2 + 3 659 C3 656 656
# 9 BB-2 - 1093 426 E5 667 667
# 10 EE-3 + 1 95 G7 94 94
# 11 EE-3 + 155 377 G7 222 316
# 12 EE-3 + 439 513 G7 74 390
# 13 EE-3 + 577 840 G7 263 653
# 14 EE-3 - 840 577 I9 263 263
# 15 EE-3 - 513 439 I9 74 337
# 16 EE-3 - 377 155 I9 222 559
关于python - 查找并删除具有由第三个唯一特征标识的两个相同特征的重复数据条目,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/15112677/