我有一张3人的桌子，以及他们的DNA序列。每个人的完整基因组由两个基因（字符串）组成：gene1和gene2（即full_genome = gene1+gene2），有时还有错误的重复条目。
该表目前的结构为：
row_num | name | gene_name | dna_sequence
--------|--------|-----------|--------------
1 | sarah | gene 1 | aaaaaaaaaa
2 | sarah | gene 2 | gggggggggg
3 | charles| gene 1 | aaaattttt
4 | charles| gene 2 | ggggggtttt
5 | eric | gene 1 | aaa
6 | eric | gene 2 | cccccccccc
7 | eric | gene 1 | aaaaa
8 | eric | gene 2 | cccc
9 | eric | gene 1 | a
10 | eric | gene 2 | c
请注意第5行到第10行中Eric的重复条目。在所有这些中，我想只选择最长的总序列（即argmax(len(gene1)+len(gene2))），第5行和第6行。我还想转动该表最终以：
name | gene1 | gene2
-------|------------|-----------
sarah | aaaaaaaaaa | gggggggggg
charles| aaaattttt | ggggggtttt
eric | aaaaaaaaaa | cccccccccc
请注意，基因总是成对出现：每个数据源将其数据作为一个文件提交，表格是通过逐个文件读取形成的。因此，在Eric的案例中，总基因长度如下：
根据最长的总基因长度，我会保留第5行和第6行，并丢弃其余部分。
我已经尝试过pivot（），transpose（）等等，但它更像是一个鸡与蛋的东西：由于重复的条目，我无法将表转换为所需的形式，但我可以' t测量总长度要么因为不容易分辨哪个重复条目来自哪里。
我目前正在尝试添加duplicate_index列，以便我可以区分重复项：
row_num | name | gene_name | dna_sequence | dupe_index
--------|--------|-----------|--------------|------------
1 | sarah | gene 1 | aaaaaaaaaa | 0
2 | sarah | gene 2 | gggggggggg | 0
3 | charles| gene 1 | aaaattttt | 0
4 | charles| gene 2 | ggggggtttt | 0
5 | eric | gene 1 | aaa | 0
6 | eric | gene 2 | cccccccccc | 0
7 | eric | gene 1 | aaaaa | 1
8 | eric | gene 2 | cccc | 1
9 | eric | gene 1 | a | 2
10 | eric | gene 2 | c | 2
答案 0 :(得分：1)
尝试1
df.loc[
df.dna_sequence.str.len().groupby([df.name, df.gene_name]).idxmax()
].set_index(['name', 'gene_name']).dna_sequence.unstack()
gene_name gene 1 gene 2
name
charles aaaattttt ggggggtttt
eric aaaaa cccccccccc
sarah aaaaaaaaaa gggggggggg