如何解决在同一数据框中迭代比较列值
我的最终目标是去除重叠的基因。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。如果您需要它们提供替代方法,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,将单行与所有剩余的行进行比较,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(“开始”和“结束”)的值。您可以在下面的伪代码中看到条件之一。
如果满足以下条件,我想删除该行 (DF2.loc[row_loop]) 或创建一个新列并分配一个标签,以便我了解是否存在重叠。然后,我可以删除这些行。
条件:
(rowA ["Start"] >= rowB ["Start"]) and (rowA ["Start"] = rowB ["Start "]) 和 (rowA ["End"] >= rowB ["End"])
这就是我的数据框的样子:
DF2.head()
Chromosome_Name | Sequence_Source | Sequence_Feature | 开始 | 结束 | Strand | Gene_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" |
这就是我目前所拥有的:
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,["End"]] >= DF2.loc[row_loop,["End"]]):
DF2.drop(row_loop)
运行上面的代码后,我得到一个 ValueError,上面写着“只能比较标记相同的系列对象。”
我还用以下内容替换了 if 条件:
DF2["Overlap"] = np.where((DF2.loc[ref_row,["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实现我的目标的另一种方法?
提前致谢。
顺便说一句,我很抱歉我的英语。我很难通过写作来解释我的目标,希望你明白。
解决方法
基于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],'Sequence_Source': ['ensembl_havana','havana','ensembl_havana'],'Sequence_Feature': ['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"])
)
为了简化,我从条件中删除了 np.nan
和 DF2["Gene_Name"]
。使用当前条件,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 .loc
使用不当造成的。
DF2.loc[2,["Start"]]
Out:
Start 141474
Name: 2,dtype: object
DF2.loc[2]["Start"]
Out: 141474
版权声明:本文内容由互联网用户自发贡献,该文观点与技术仅代表作者本人。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如发现本站有涉嫌侵权/违法违规的内容, 请发送邮件至 dio@foxmail.com 举报,一经查实,本站将立刻删除。