从列表到数据框查找基因名称

Posted 2023-03-12

【中文标题】从列表到数据框查找基因名称

【英文标题】：find gene name from liste to dataframe

【发布时间】：2018-10-19 17:56:02

【问题描述】：

如果我的结果，我实际上必须知道我是否得到了一些基因，这样做我有一个包含我基因名称的列表和一个相同的数据框：

例如

liste["gene1","gene2","gene3","gene4","gene5"]

和一个数据框：

name1          name2
gene1_0035     gene1_0042
gene56_0042    gene56_0035
gene4_0042     gene4_0035
gene2_0035     gene2_0042
gene57_0042    gene57_0035

然后我做了：

df=pd.read_csv("dataframe_not_max.txt",sep='\t')
df=df.drop(columns=(['Unnamed: 0', 'Unnamed: 0.1']))
#print(df)
print(list(df.columns.values))
name1=df.ix[:,1]
name2=df.ix[:,2]


liste=[]
for record in SeqIO.parse(data, "fasta"):
    liste.append(record.id)

print(liste)
print(len(liste))

count=0
for a, b in zip(name1, name2):

    if a in liste:
        count+=1

    if b in liste: 
        count+=1
print(count)

我想知道我从列表中找到 ma 数据框中的基因有多少次，但它们的 ID 不完全相同，因为在列表中基因名称后没有 _number，那么如果我in liste 不会重新识别 ID。

是否可以这样说：

if a without_number in liste: 

在上面的例子中它是： count = 3，因为列表和数据帧中都只有基因 1,2 和 4。

这里有一个更复杂的例子，看看你的脚本是否确实适用于我的数据： 假设我有一个这样的数据框：

  cluster_name  qseqid  sseqid  pident_x
15  cluster_016607  EOG090X00GO_0035_0035   EOG090X00GO_0042_0035
16  cluster_016607  EOG090X00GO_0035_0035   EOG090X00GO_0042_0042
18  cluster_016607  EOG090X00GO_0035_0042   EOG090X00GO_0042_0035
19  cluster_016607  EOG090X00GO_0035_0042   EOG090X00GO_0042_0042
29  cluster_015707  EOG090X00LI_0035_0035   EOG090X00LI_0042_0042
30  cluster_015707  EOG090X00LI_0035_0035   EOG090X00LI_0042_0035
34  cluster_015707  EOG090X00LI_0042_0035   g1726.t1_0035_0042
37  cluster_015707  EOG090X00LI_0042_0042   g1726.t1_0035_0042

还有一个列表：["EOG090X00LI_","EOG090X00GO_","EOG090X00BA_"]

这里我得到 6，但我应该得到 2，因为我的数据 EOG090X00LI 和 EOG090X00GO 中只有 2 个序列

其实这里我想统计一个序列只出现一次的时候才出现，即使是举例：EOG090X00LI vs seq123454

不知道清楚了吗？

我用的例子：

df=pd.read_csv("test_busco_augus.csv",sep=',')
#df=df.drop(columns=(['Unnamed: 0', 'Unnamed: 0.1']))
print(df)
print(list(df.columns.values))
name1=df.ix[:,3]
name2=df.ix[:,4]

liste=["EOG090X00LI_","EOG090X00GO_","EOG090X00BA_"]

print(liste)


#get boolean mask for each column    
m1 = name1.str.contains('|'.join(liste))
m2 = name2.str.contains('|'.join(liste))

#chain masks and count Trues

a = (m1 & m2).sum()
print (a)

【参考方案1】：

我认为需要：

#add _ to end of values
liste =  [record.id + '_' for record in SeqIO.parse(data, "fasta")]
#liste = ["gene1_","gene2_","gene3_","gene4_","gene5_"]

#get boolean mask for each column    
m1 = df['name1'].str.contains('|'.join(liste))
m2 = df['name2'].str.contains('|'.join(liste))

#chain masks and count Trues
a = (m1 & m2).sum()
print (a)
3

编辑：

liste=["EOG090X00LI","EOG090X00GO","EOG090X00BA"]

#extract each values before _, remove duplicates and compare by liste   
a = name1.str.split('_').str[0].drop_duplicates().isin(liste)
b = name2.str.split('_').str[0].drop_duplicates().isin(liste)

#compare a with a for equal and sum Trues
c = a.eq(b).sum()
print (c)
2

【讨论】：

嗨，谢谢，我更新了我的第一条评论，因为我忘了告诉我只想计算序列 ID 出现一次的时间。

【参考方案2】：

针对更新的 OP 进行了调整

求和等于 1

df.stack().str.split('_').str[0].isin(liste).sum(level=0).eq(1).sum()

2

---

旧答案

stack 和 str 访问器

您可以在'_' 上使用split 来抓取第一部分，然后使用isin 来确定成员资格。我还将stack 和all 与参数level=0 一起使用，以查看所有列的成员资格是否为True

df.stack().str.split('_').str[0].isin(liste).all(level=0).sum()

3

---

applymap

df.applymap(lambda x: x.split('_')[0] in liste).all(1).sum()

3

---

sum/all 带生成器

sum(all(x.split('_')[0] in liste for x in r) for r in df.values)

3

---

两个很多map

sum(map(lambda r: all(map(lambda x: x.split('_')[0] in liste, r)), df.values))

3

【讨论】：

嗨，谢谢，我更新了我的第一条评论，因为我忘了告诉我只想计算序列 ID 出现一次的时间。

【参考方案3】：

使用isin

df.apply(lambda x : x.str.split('_').str[0],1).isin(l).sum(1).eq(2).sum()
Out[923]: 3

添加value_counts

df.apply(lambda x : x.str.split('_').str[0],1).isin(l).sum(1).value_counts()
Out[925]: 
2    3
0    2
dtype: int64

【讨论】：

嗨，谢谢，我更新了我的第一条评论，因为我忘了告诉我只想计算序列 ID 出现一次的时间。

你好，我不太明白输出，例如3是什么？

@Benjamin 两列都显示在列表中，有 3 行，两列都没有显示有 2

【参考方案4】：

您可以使用stack() 将您的数据框转换为一个系列（组合所有列），然后使用Series.str.match() 在liste 后跟下划线_ 中搜索您的基因名称：

s = df.stack()

sum([s.str.match(i+'_').any() for i in liste])

返回3

详情：

df.stack() 返回以下Series：

0  name1     gene1_0035
   name2     gene1_0042
1  name1    gene56_0042
   name2    gene56_0035
2  name1     gene4_0042
   name2     gene4_0035
3  name1     gene2_0035
   name2     gene2_0042
4  name1    gene57_0042
   name2    gene57_0035

由于您的所有基因在该系列中后跟下划线，您只需要查看gene_name 后跟_ 是否在该系列中。如果是这种情况，s.str.match(i+'_').any() 返回True。然后，您得到 True 值的总和，这就是您的计数。

【讨论】：

嗨，谢谢，我更新了我的第一条评论，因为我忘了告诉我只想计算序列 ID 出现一次的时间。

@Benjamin，在你更新的例子中，我得到了你的预期结果（2），我的代码（只要你的列表在你原来的例子中，ie i> 没有_)