Question

问题（正式）

我有一个平面表 df ，列 a ， b ， c ， d < / em>， e 其中 a 和 b 是一对多的，（ b 和< em> c ）和（ c 和 d ）。 d 是唯一索引， e 是任意整数。

让分组= df.groupby（by = ['a'，'b'，'c']）。然后，每个组基本上由其标签和一组键值对 {d ： e} 组成。如果分组中没有其他组 y ，则我希望将所有行保留在某个组 x 中

x.a == y.a
x.b！= y.b
表示 xe 中的任何值 p ，以及 ye 中的任何值 u ， abs（ p - u）＆lt; 100

如果任何组 y 符合这些条件，则 x 或 y 中的任何行都不应出现在最终结果中。

同样的问题，已应用

我在生物信息学的背景下使用它。具体而言，（a，b，c，d，e）=（染色体，链，gene_id，transcript_id，transcription_start_site）。每个基因恰好是一条染色体上的一条链（'+'或' - '，对应于DNA双螺旋的两条链），每个基因至少有一个转录本。每个转录物具有转录起始位点（TSS），其是在核苷酸碱基对（bp）中测量的其染色体上转录物的整数位置。同一基因的两个转录本可能或许多不共享TSS。

在生物学方面，我想找到没有双向启动子的基因。这意味着我想找到所有基因，这些基因在相反的链的基因的任何转录起始位点的某些 n 内没有起始位点的转录本。作为旁注，为了便于举例，我选择了 n = 100 ，但生物学上更精确的 n 可能在150到1000的范围内。

示例数据

a = chromosome    b = strand    c = gene_id    d = transcript_id    e = tss
  chr1              +             ENSG001        ENST001             11865
  chr1              +             ENSG001        ENST002             11868
  chr1              +             ENSG001        ENST003             12006
  chr1              -             ENSG002        ENST004             29370
  chr1              -             ENSG002        ENST005             24886
  chr1              +             ENSG003        ENST006             29550

如果这是完整的数据列表且 n = 100 ，则所有行都将包含在答案中。但是，如果 n = 1000 ，则只应包含gene_id = ENSG001的前三行。

考虑

桌子很大，所以做一个巨大的笛卡儿，将它削减等等是不可行的（而且也很难看）。我可以使用哪种pandas / numpy方法来干净有效地选择符合我标准的行？我应该使用除groupby之外的其他内容，还是使用分层索引或其他内容？我对pandas语法并不是特别熟悉，所以非常感谢明确的例子。

谢谢！

Pandas中群组的多指数全对比较

0 个答案: