从熊猫数据框创建嵌套字典

Posted 2023-03-11

【中文标题】从熊猫数据框创建嵌套字典

【英文标题】：create nested dict from pandas dataframe

【发布时间】：2019-01-11 18:49:31

【问题描述】：

我有一个 pandas 数据框，我想从中提取信息并创建一个嵌套字典以供下游使用，但是，我还不太擅长使用 pandas，我需要一些帮助！

我的数据框看起来像这样：

    Sequence    A_start A_stop  B_start B_stop
0   sequence_1  1   25  26  100
1   sequence_2  1   31  32  201
2   sequence_3  1   27  28  231
3   sequence_4  1   39  40  191

我想把它写到字典里，这样它就有这种形式：

d = ‘Sequnce: (‘A_start’, ‘A_stop’) : ['repeat_region':'rpt_type':'long_terminal_repeat', 'note':"5'LTR"], ('B_start', 'B_stop): ['misc_feature':'gene': 'Gag', 'note': 'deletion of start codon']

生成后是这样的：

‘sequence_1’: (‘1’, ‘25’) : ['repeat_region':'rpt_type':'long_terminal_repeat', 'note':"5'LTR"], (‘26’, '100’): ['misc_feature':'gene': 'Gag', 'note': 'deletion of start codon'], 
‘sequence_2’: (‘1’, ‘31’) : ['repeat_region':'rpt_type':'long_terminal_repeat', 'note':"5'LTR"], ('32', '201’): ['misc_feature':'gene': 'Gag', 'note': 'deletion of start codon'], ...

我认为列表推导式可能是解决此问题的一种简单方法，但它最终可能看起来过于复杂。这是我迄今为止所拥有的，显然还没有奏效。我不确定是否可以使用 iteritems() 或 groupby() 以外的东西来识别字典中条目的结构。任何帮助将不胜感激！

LTR_sub_features = ['repeat_region':'rpt_type':'long_terminal_repeat', 'note':"5'LTR"]
gag_sub_features = ['misc_feature':'gene': 'Gag', 'note': 'deletion of start codon']

ltr_gag_dict = 
Sequence: (A_start,A_end): LTR_sub_features, (B_start,B_end):gag_sub_features 
for Sequence, A_start, A_end, B_start, B_end in ltr_gag_df.groupby('Sequence')

【问题讨论】：

试试 pandas.DataFrame.to_dict

【参考方案1】：

您可以使用 iterrows() 随时更新字典： iterrows() 为每一行创建一个元组，其中第一个元素（即 row[0]）是行的索引，第二个元素是行中所有值的 pd.Serie 对象。

<input>
            A_start A_end   B_start     B_end
sequence_1  0.1     0.025   0.030303    0.001
sequence_2  0.2     0.050   0.060606    0.002
sequence_3  0.3     0.075   0.090909    0.003
sequence_4  0.4     0.100   0.121212    0.004

A_value = 'some value'
B_value = 'other value'
d = dict()


for row in df.iterrows():  
    d[row[0]] = (row[1]['A_start'], row[1]['A_end']): A_value, (row[1]['B_start'], row[1]['B_end']): B_value

<output>
'sequence_1': (0.10000000000000001, 0.025000000000000001): 'some value', (0.030303030303030304, 0.001): 'other value'