我输入了如下数据集:
labels = ['chrom', 'start', 'end', 'read']
my_data = [['chr1', 784344, 800125, 'read1'],
['chr1', 784344, 800124, 'read2'],
['chr1', 784344, 800124, 'read3']]
我使用以下方法将其转换为pandas数据框:
my_data_pd = pd.DataFrame.from_records(my_data, columns=labels)
看起来像这样:
chrom start end read
0 chr1 784344 800125 read1
1 chr1 784344 800124 read2
2 chr1 784344 800124 read3
我想要做的是以下内容:我不会合并具有缩进的chrom,start,end值的行,并计算'中值的隐含出现次数。对于已合并的行,请阅读' 列。最后,我想将转换输出转换为列表/元组,如本例所示(注意最后一列有计数信息):
[('chr1', 784344, 800125,1), ('chr1', 784344, 800124,2)]
我能做的事情:
使用以下命令取消 Pandas Groupby 和 nunique():
my_data_pd.groupby(['chrom','start','end'],sort=False).read.nunique()
我到达了一个看起来像我想要的Pandas.Series对象:
chrom start end
chr1 784344 800125 1
800124 2
Name: read, dtype: int64
然而,当我使用:
将其转换为list / tuple时 sortedd.index.tolist()
排除最后一列,导致产生结果:
[('chr1', 784344, 800125), ('chr1', 784344, 800124)]
关于如何解决这个问题的任何想法?
对于那些可能提出解决方案的人来说,我在一个大型程序中做了数千次,所以速度是一个大问题。这就是我避开其他工具的原因,比如 BedTools 和 pybedtools
谢谢!
答案 0 :(得分:3)
你可以set_index
sortedd.to_frame('val').set_index('val',append=True).index.tolist()
Out[277]: [('chr1', 784344, 800125, 1), ('chr1', 784344, 800124, 2)]
答案 1 :(得分:3)
首先reset_index
然后在list comprehension
转换为tuples
:
L = [tuple(x) for x in sortedd.reset_index().values.tolist()]
print (L)
[('chr1', 784344, 800125, 1), ('chr1', 784344, 800124, 2)]
答案 2 :(得分:3)
您可以使用多索引,即
idx = pd.MultiIndex.from_arrays(sortedd.reset_index().values.T)
idx.tolist()
[('chr1', 784344, 800125, 1), ('chr1', 784344, 800124, 2)]