Question

我有一个名为transcripts的数据框和一个名为genes的numpy数组。 genes只是geneID transcripts列的唯一值。对于genes的每个值，我希望找到最长的记录（transcriptLength中的transcripts列），并从transcripts数据框中删除所有其他记录。我以为我会使用下面的代码，然后循环遍历genes。

#subset transcripts, leaving only rows with id of genes[20000]
x=transcripts.loc[(transcripts['geneID'] == genes[20000])].copy()
#Find longest transcript    
y = x.transcriptLength.max()
#subset transcripts df to remove all transcripts that are shorter for that gene
z=transcripts.loc[(transcripts['geneID'] != genes[20000]) & (transcripts['transcriptLength'] != y)].copy()

但是，出于某种原因，此代码会删除所有geneID的成绩单。我之前已经进行了子集化（并查看了其他类似的堆栈问题），我的代码似乎是正确的，所以我无法理解问题是什么。这里有什么东西不见了吗？

FYI geneID列是字符串，而transcriptLength列是整数。以下是transcripts的第一行：

geneID  transcriptID    transcriptLength
0   ENSPTRG00000042638  ENSPTRT00000076395  71
1   ENSPTRG00000042646  ENSPTRT00000076407  949
2   ENSPTRG00000042654  ENSPTRT00000076381  69
3   ENSPTRG00000042645  ENSPTRT00000076409  1558
4   ENSPTRG00000042644  ENSPTRT00000076406  75

编辑：这是一个玩具示例，我们试图找到基因g2的最长转录本并删除任何较短的转录本：

#Create dataframe (akin to transcripts above)
d = {'transcriptID' : pd.Series(['t1', 't2', 't3', 't4'], index=['a', 'b', 'c', 'd']), 
     'geneID' : pd.Series(['g1', 'g2', 'g3', 'g2'], index=['a', 'b', 'c', 'd']),
    'transcriptLength' : pd.Series([212, 715, 213, 984], index=['a', 'b', 'c', 'd'])}
df = pd.DataFrame(d)

#Subset df to include only values where geneID = g2
x=df.loc[(df['geneID'] == 'g2')].copy()
#Find max transcriptLength
y = x.transcriptLength.max()
#Subset main df to remove all g2 values except the maximum one
z=df.loc[(df['geneID'] != 'g2') & (df['transcriptLength'] != y)].copy()

输出：

    geneID  transcriptID    transcriptLength
a   g1  t1  212
c   g3  t3  213

它删除了geneID g2的所有行。它只应该删除行b（它具有所有g2 geneIDs的最低值）。行d也已删除，这是不正确的。

Answer 1

您需要z=df.loc[(df['geneID'] != 'g2') | (df['transcriptLength'] == y)].copy()，即您需要＆＃39;或＆＃39;而不是＆＃39;和＆＃39;。所以g2以外的任何东西，你保留，如果它在g2中，你希望它不具有transcriptLength y。正如目前所写，你拒绝任何东西，除非它不在g2中并且没有那个transcriptLength。

Answer 2

您的布尔逻辑不正确。您可以将其更改为：

z=df.loc[~((df['geneID'] == 'g2') & (df['transcriptLength'] != y))].copy()

~是not运算符的位置。该逻辑表示丢弃geneID == g2和transcriptLength != y的所有行。

您希望将这些行保留在以下两个条件下：

(df['geneID'] == 'g2') & (df['transcriptLength'] == y)
df['geneID'] != 'g2'

您编写的代码正在消除df['geneID'] == 'g2'所有行。

如果您仍然不清楚，请尝试写出真相表。

熊猫：解析两个条件问题

2 个答案: