Question

我桌子的前15行看起来像这样：

ch  S-MART  utr5    313 516 .   +   .   blabla
ch  GenBank gene    517 1878    .   +   1   ID=SAOUHSC_00001;Name=SAOUHSC_00001
ch  GenBank mRNA    517 1878    .   +   1   ID=SAOUHSC_00001.t01;Parent=SAOUHSC_00001
ch  GenBank CDS 517 1878    .   +   1   ID=SAOUHSC_00001.p01;Name=SAOUHSC_00001;product=chromosomal 
ch  GenBank exon    517 1878    .   +   1   Parent=SAOUHSC_00001.t01
ch  S-MART  gene    517 1878    .   +   .   blabla
ch  S-MART  operon  1879    2155    .   +   .   blabla
ch  GenBank gene    2156    3289    .   +   1   ID=SAOUHSC_00002;Name=SAOUHSC_00002
ch  GenBank mRNA    2156    3289    .   +   1   ID=SAOUHSC_00002.t01;Parent=SAOUHSC_00002
ch  GenBank CDS 2156    3289    .   +   1   ID=SAOUHSC_00002.p01;Parent=SAOUHSC_00002.t01;Name=SAOUHSC_00002;product=DNA polymerase 
ch  S-MART  utr3    3290    3331    .   +   .   blabla
ch  S-MART  utr5    3649    3669    .   +   .   blabla
ch  GenBank gene    3670    3915    .   +   1   ID=SAOUHSC_00003;Name=SAOUHSC_00003
ch  GenBank CDS 3670    3915    .   +   1   ID=SAOUHSC_00003.p01;Parent=SAOUHSC_00003.t01;Name=SAOUHSC_00003;product=conserved  
ch  S-MART  gene    3670    5024    .   +   .   blabla

此类标准文件称为GFF，供参考，其定义可在此处找到http://www.sequenceontology.org/gff3.shtml。

此表的第四和第五列表示开始和停止坐标。我试图根据这些开始和停止坐标缩小此表。

我使用以下代码执行此操作：

import pandas as pd
staphInputGff = pd.read_table("myTable", sep='\t',names=["seqid", "source", "type","start","end","score","strand","phase","attributes"])
start = staphInputGff.start
end = staphInputGff.end

def consolidate(start, end):
    _start = start[:]                # Make a copy since we're modifying the list
    result = []
    for i in range(len(_start)-1):   # Iterate until the second-to-last pair
        if _start[i+1] <= end[i]+1 and (start[i+1] != _start[i] or end[i+1] != end[i]):  # If two pairs are contiguous,
            _start[i+1] = _start[i]  # replace the start value with the previous one
        elif start[i+1] != _start[i] or end[i+1] != end[i]:                                  # Otherwise
            result.append((_start[i], end[i])) # add the current pair to the result
    result.append((_start[i+1], end[i+1]))     # the ultimate pair
    return result
consolidate(start,end)

它给出了以下结果：

(313, 3331), (3649, 5024)

并排连续的开始和结束坐标。

例如，第一行有开始和结束坐标（313,516）。由于下一行有开始和结束坐标（517,1878），因此将其合并为（313,1878）。这将继续几行，坐标为（1879,2155），再为（3290,3331）。最终结果是（313,3331）

我需要打印一张特定键的表 - 只有CDS就足够了（我不想要其他行的信息）。

仅对于CDS命名条目，最终结果应如下所示

ch  GenBank CDS 313 3331    .   +   .   ID=SAOUHSC_00001.p01;Name=SAOUHSC_00001;product=chromosomal
ch  GenBank CDS 3649 5024   .   +   .   ID=SAOUHSC_00003.p01;Parent=SAOUHSC_00003.t01;Name=SAOUHSC_00003;product=conserved

要做到这一点，我想我需要在Pandas中使用合并，连接，连接或布尔索引或分组。

什么是正确的方法？

Answer 1

这是一个可能但非常难看的解决方案。这基本上是一系列黑客攻击。希望它会让一些真正知道他们做得足够多的人发布一个更好的解决方案。

# start with the data in a data frame df

df
     a        b       c  Start   End  f  g  h                                                  i

    0   ch   S-MART    utr5    313   516  .  +  .                                             blabla
    1   ch  GenBank    gene    517  1878  .  +  1                ID=SAOUHSC_00001;Name=SAOUHSC_00001
    2   ch  GenBank    mRNA    517  1878  .  +  1          ID=SAOUHSC_00001.t01;Parent=SAOUHSC_00001
    3   ch  GenBank     CDS    517  1878  .  +  1  ID=SAOUHSC_00001.p01;Name=SAOUHSC_00001;produc...
    4   ch  GenBank    exon    517  1878  .  +  1                           Parent=SAOUHSC_00001.t01
    5   ch   S-MART    gene    517  1878  .  +  .                                             blabla
    6   ch   S-MART  operon   1879  2155  .  +  .                                             blabla
    7   ch  GenBank    gene   2156  3289  .  +  1                ID=SAOUHSC_00002;Name=SAOUHSC_00002
    8   ch  GenBank    mRNA   2156  3289  .  +  1          ID=SAOUHSC_00002.t01;Parent=SAOUHSC_00002
    9   ch  GenBank     CDS   2156  3289  .  +  1  ID=SAOUHSC_00002.p01;Parent=SAOUHSC_00002.t01;...
    10  ch   S-MART    utr3   3290  3331  .  +  .                                             blabla
    11  ch   S-MART    utr5   3649  3669  .  +  .                                             blabla
    12  ch  GenBank    gene   3670  3915  .  +  1                ID=SAOUHSC_00003;Name=SAOUHSC_00003
    13  ch  GenBank     CDS   3670  3915  .  +  1  ID=SAOUHSC_00003.p01;Parent=SAOUHSC_00003.t01;...
    14  ch   S-MART    gene   3670  5024  .  +  .                                             blabla


# If there are duplicate start/end values, discard those that repeat the CDS 
cdsSE = df[df['c']=='CDS'][['Start','End']].values
droprows = []
for idx in df.index:
    if (df.loc[idx][['Start','End']].values in cdsSE) and (df.loc[idx]['c'] != 'CDS'):
        droprows.append(idx)
df2 = df.drop(df.index[droprows])

# Walk through the new data frame. If the next row is contiguous,
# move up the start value and mark the row for deletion

droprows = []
for i in range(len(df2.index[:-1])): 
    if (df2.iloc[i]['End'] + 1) >= df2.iloc[i+1]['Start']: # to include lesser start values

        # If the present row is CDS, 
        #save its information by also moving it up a row
        if df2.loc[df2.index[i], 'c'] == 'CDS':
            df2.loc[df2.index[i+1], ['a', 'b', 'c', 'f', 'g', 'h', 'i']] = df2.loc[df2.index[i], ['a', 'b', 'c', 'f', 'g', 'h', 'i']]

        # Then replace the start values with the present row
        # and mark the row for deletion
        df2.loc[df2.index[i+1], 'Start'] = df2.loc[df2.index[i], 'Start']
        droprows.append(i)

# And make a new data frame by deleting the unwanted rows
df3 = df2.drop(df2.index[droprows])

df3
    a        b    c  Start   End  f  g  h                                                  i
10  ch  GenBank  CDS    313  3331  .  +  1  ID=SAOUHSC_00001.p01;Name=SAOUHSC_00001;produc...
13  ch  GenBank  CDS   3649  3915  .  +  1  ID=SAOUHSC_00003.p01;Parent=SAOUHSC_00003.t01;...

熊猫数据表操作

1 个答案: