如何合并来自上下文相关的两列的数据?
Posted
技术标签:
【中文标题】如何合并来自上下文相关的两列的数据?【英文标题】:How to merge data from two columns which is context dependent? 【发布时间】:2017-05-09 14:25:05 【问题描述】:在具有以下数据结构的文件中:
输入文件在数据下方直到列 (PB)。
contig pos GT PGT PID PG PB updated_Block
2 5426 0/1 0|1 5398 1|0 1311 1311
2 5427 0/1 0|1 5398 0/1 . 1311
2 5434 0/1 0|1 5398 1|0 1311 1311
2 5454 0/1 0|1 5398 0/1 . 1311
2 5457 0/0 . . 0/0 . .
2 5467 0/1 0|1 5467 0|1 1311 1311
2 5480 0/1 0|1 5467 0|1 1311 1311
2 5483 0/0 0|1 5482 0/0 1667 1667
2 5518 1/1 1|1 5467 1/1 . 1311
2 5519 0/0 . . 0/0 . .
2 5547 1/1 1|1 5467 1/1 . 1311
2 5550 ./. . . ./. . .
2 5559 1/1 1|1 5467 1/1 . 1311
2 5561 0/0 . . 0/0 . .
2 5576 0/1 0|1 5576 1|0 1311 1311
2 5599 0/1 0|1 5576 1|0 1311 1311
2 5602 0/0 . . 0/0 . .
2 5657 0/1 . . 1|0 1311 1311
2 5723 0/1 . . 1|0 1311 1311
2 6414 0/1 . . 0|1 1667 1667
2 6446 0/1 0|1 6446 0|1 1667 1667
2 6448 0/1 0|1 6446 0|1 1667 1667
2 6465 0/1 0|1 6446 0|1 1667 1667
2 6636 0/1 . . 1|0 1667 1667
2 6740 0/1 . 6740 0|1 1667 1667
输出文件是输入数据加上最后一列(我需要计算)。
PID 表示块,PGT 表示该块中的数据之一,由一个特定程序生成。 另一个程序为相同的数据集生成相同类型的信息 - PB 是块,PG 是该块中的数据之一。 这两个程序根据不同的概率测试发出值和块信息。
所以,从上面的数据输出来看: 属于块 PB(1311)的数据与 PID(5398、5467 和 5576)来自同一个块。我只需要合并尽可能多的块以形成尽可能大的块。所以,我只需要找到重叠的块并将它们合并以创建一个更大的块集。 更新后的块应该看起来像最后一列(我手动输入的)。
详情: PB 中的 1311 与 PID 中的 5398、5467、5576 重叠 - 因此它们构成了一个大块。您可以看到 PID (5398) 在某些行中与 PB (1311) 相关联,这意味着任何具有 PID (5398) 但缺少 PB 的行实际上属于 PB (1311),因为 PID 之前与之相关联。更新后的块可以具有与 PB 相同的唯一值。
我对如何解决这个问题感到困惑。我想先建立一个字典列表,但是我在读取每一行时仍然会遇到一些问题,直到无法制作大块为止,然后我们开始读取其他块值以制作另一个最大块。
以下是部分解决方案:
我可以像这样创建另一个文件或数据对象:
PB_PID_group = data_frame.groupby("PI")["PID"].unique()
这给了我:
PI
. [., 5398, 5482, 5467]
1311 [5185, ., 5398, 5467, 5576]
1667 [., 6446]
3352 [.]
935 [.]
Name: PID, dtype: object
我必须删除上面输出中的第一行和其他行中的periods(.)
。 但是,这仍然不是表格格式的数据。我也需要解决这个问题。
所以,现在我加载两个文件并逐行读取这两个文件:
file_1 = file_1.split('\n')
file_2 = file_2.split('\n')
for line in file_1 and file_2:
again split lines by tabs and then
PB_file1 = file_1[6]
PID_file1 = file_1[4]
PB_file2 = file_2[0]
PID_file2 = file_2[1].split(', ')
现在,我搜索并更新 update_PB 中的值
if PB_file1 is an integer:
update_PB = PB_file1
elif:
PB_file1 = '.'
if PID_file1 in PID_file2:
update_PB = PB_file2
else:
update_PB = '.'
因此,此搜索和更新循环继续读取 file_1 中的第一行和 file_2 中的所有行;再次是 file_1 中的第 2 行和 file_2 中的所有行,直到两个文件中的所有行都完成为止。
任何建议。有什么帮助吗?
【问题讨论】:
您能否创建一个输出数据框,向我们展示您想要的最终结果。 输入文件是上述数据直到列(PB)。输出文件只是根据 PB 和 PID 列中的信息将最后一列添加到输入文件中。 嗨@TedPetrou:你现在明白问题了吗?您可以看到 PID (5398) 在某些行中与 PB (1311) 相关联,这意味着任何具有 PID (5398) 但缺少 PB 的行实际上属于 PB (1311),因为 PID 之前已关联。 我只是在下面给出了一个简单的答案。这将附加与每个 PID 匹配的所有 PB。它将复制 PID 映射到多个 PB 的行 【参考方案1】:似乎您只是用同一 PID 组上的随机 PB 替换句点。
df.groupby('PID')['PB'].transform(lambda x: x.replace('.', x.sort_values()[-1]))
从您上次的评论看来,您只想要每个 PID 组的最大值。
df['updated_Block'] = df.groupby('PID')['PB'].transform('max')
如果您需要使 PID 周期具有相应的周期条目,则使用以下内容将它们设置回周期。
df.loc[df['PID'] == '.', 'updated_Block'] = '.'
【讨论】:
这不是我想要的。我真的不知道如何解决这个问题。这是一个如此复杂的背景。 我可能可以使用唯一值合并它。PB_PID_group = data_frame.groupby("PB")["PID"].unique()
。但是,需要删除periods (.)
。之后创建一个表并一起读取两个文件(逐行),然后使用 if then 更新最后一个块中的值。不过,我无法删除 pandas 中的句点。
上面的代码复制了非唯一值的行。 pos 值为 422 的行(以及其他类似的行)被复制了 3 次,更新了 3 个不同的块值。
如果每个 PID 都有非唯一的 PB,您想将哪个 PB 映射到每个 PID?最常发生的?
“大 PB”是什么意思?最频繁、最多的数字?【参考方案2】:
我会为每个 PID 创建一个字典。每个 PID 的 PB 是否唯一?
您可以按 PID 和 PB 分组,删除重复项和 nan 值(如果有)。然后你会有一个表 PID PB 来创建你需要的列。
【讨论】:
PB 在大多数情况下对于每个 PID 都是唯一的,但并非总是如此。那是我的主要问题。这只是大数据的一部分。 你能给我写个熊猫代码吗?我正在尽我最大的努力没有任何结果。 您想如何处理这些情况?也就是当一个PID有多个PB时怎么办?您只想继续将每个 PB 合并到每个 PID(即多对多合并)?以上是关于如何合并来自上下文相关的两列的数据?的主要内容,如果未能解决你的问题,请参考以下文章
我们如何组合来自相同 data_type 的数据帧的两列的值并获取每个元素的计数?
Dev中gridControl控件怎么讲某行的两列单元格合并