我遇到问题，我需要解析以下数据帧：
cluster_name qseqid sseqid pident_x qstart qend sstar send
2 1 seq1_0035_0035 seq13_0042_0035 0.73 42 133 46 189
3 1 seq1_0035_0035 seq13_0042_0035 0.73 146 283 287 389
4 1 seq1_0035_0035 seq13_0042_0035 0.73 301 478 402 503
5 1 seq13_0042_0035 seq1_0035_0035 0.73 46 189 42 133
6 1 seq13_0042_0035 seq1_0035_0035 0.73 287 389 146 283
7 1 seq13_0042_0035 seq1_0035_0035 0.73 402 503 301 478
8 2 seq4_0042_0035 seq2_0035_0035 0.71 256 789 125 678
9 2 seq4_0042_0035 seq2_0035_0035 0.71 802 1056 706 985
10 2 seq4_0042_0035 seq7_0035_0042 0.83 123 745 156 723
12 4 seq11_0035_0035 seq14_0042_0035 0.89 145 647 236 921
13 4 seq11_0035_0035 seq17_0042_0042 0.97 148 623 241 1002
14 5 seq17_0035_0042 seq17_0042_0042 0.94 188 643 179 746
数据帧和爆炸输出的说明：
cluster_name :是存在一个，两个或更多配对序列的群集。qseqid：是一个序列的名称sseqid：是另一个序列的名称。这些比较qseqid vs sseqid pident_x：是这两个序列比较（对齐）后的分数，1表示它们是相同的。
当blast对齐两个序列时，它给出了我的序列在我的比对中对齐的位置（＆＃34;同源＆＃34;），例如，如果我有：
10 24
seq1：AAATTTCCCGGGATGCGATGACGATGAAAAAATTTGG XXXXXXXXX !!!!!!!!!!!!!!! XXXXXXXXXXXXX seq2：GATGAGATCGGGATGCGATGAGGAGATAGAGATAGAG 其中x是差异而且！是一场比赛，爆炸会给我： qstart（第一个seq的开始）：10 qend（第一个seq结束）：24 sstar（第二个seq的开始）：10 发送（第二个seq的结尾）：24
注意：这是一个示例，但不一定从0开始。
我真正想要的只是在每个群集中得到最大的pident_x，但问题在于你可以看到我可以有反向序列（如果你看一下2,3,4和5,6,7它们是相同但反转的）我需要做的只是保留一个例子只有2,3和4行，因为blast将比较每个序列，甚至是倒数的序列。
然后输出：
cluster_name qseqid sseqid pident_x qstart qend sstar send
2 1 seq1_0035_0035 seq13_0042_0035 0.73 42 133 46 189
3 1 seq1_0035_0035 seq13_0042_0035 0.73 146 283 287 389
4 1 seq1_0035_0035 seq13_0042_0035 0.73 301 478 402 503
10 2 seq4_0042_0035 seq7_0035_0042 0.83 123 745 156 723
13 4 seq11_0035_0035 seq17_0042_0042 0.97 148 623 241 1002
14 5 seq17_0035_0042 seq17_0042_0042 0.94 188 643 179 746
确实：
对于cluster1:
seq1_0035_0035 vs seq13_0042_0035有他的反转seq13_0042_0035 seq1_0035_0035，但我只保留第一个cluster2:。
代表seq4_0042_0035 vs seq7_0035_0042 (0.83)
seq4_0042_0035 vs seq2_0035_0035 (0.71)的得分高于cluster4:
代表seq11_0035_0035 vs seq17_0042_0042 (0.97)
seq11_0035_0035 vs seq14_0042_0035 (0.89)的得分高于custer5:
代表seq17_0035_0042 vs seq17_0042_0042
只有一个配对序列blast=pd.read_csv("match.csv",header=0)
#blast=blast.drop(columns=[ "length", "mismatch", "gapopen", "evalue", "bitscore","pident"])
#Cluster Dataframe
cluster=pd.read_csv("cluster_test.csv",header=0)
cluster.columns = ["cluster_name", "seq_names"]
#Distance mean dataframe
dist=pd.read_csv("fnode.csv",header=0)
dist.columns = ["qseqid", "sseqid","pident","coverage"]
dist=dist.drop(columns=["coverage"])
#Including cluster information and distance mean information into one dataframe:
data = cluster.merge(dist, left_on='seq_names', right_on='qseqid')
#Adding for each two remaining dataframe a concatened colomn
data["name_concatened"] = data["qseqid"].map(str) + data["sseqid"]
blast["name_concatened"] = blast["qseqid"].map(str) + blast["sseqid"]
#We do not need these columns anymore
blast=blast.drop(columns=[ "qseqid","sseqid"])
#Including cluster information + distance mean information + coordinate sequences from blast into one dataframe:
data = data.merge(blast, left_on='name_concatened', right_on='name_concatened')
data=data.drop(columns=[ "seq_names","name_concatened","pident_y"])
print(data)
this = data[["qseqid", "sseqid"]].apply(tuple, axis=1)
cum = pd.get_dummies(data[["sseqid", 'qseqid']].apply(tuple, axis=1)).cumsum()
this_zeros = pd.get_dummies(this)
this_zeros[:] = 0
pd.concat([cum, this_zeros[this_zeros.columns.difference(cum.columns)]], axis=1)
keep = pd.concat([cum, this_zeros[this_zeros.columns.difference(cum.columns)]], axis=1).lookup(data.index, this)
data=data[keep.astype(bool)]
print(data)
（0.94），然后我保留这个
我真的不知道如何设法做这样的事情，有人有想法吗？
部分补充：
以下是我在这个小数据集中使用的脚本（与我上面的示例相同）：smalldata
cluster_name qseqid sseqid pident_x qstart qend \
4 1 seq13_0042_0035 seq1_0035_0035 0.73 46 189
5 1 seq13_0042_0035 seq1_0035_0035 0.73 287 389
6 1 seq13_0042_0035 seq1_0035_0035 0.73 402 503
sstar send
4 42 133
5 146 283
6 301 478
但正如你在这里看到的那样我只能得到：
cluster_name qseqid sseqid pident_x qstart qend sstar send
2 1 seq1_0035_0035 seq13_0042_0035 0.73 42 133 46 189
3 1 seq1_0035_0035 seq13_0042_0035 0.73 146 283 287 389
4 1 seq1_0035_0035 seq13_0042_0035 0.73 301 478 402 503
10 2 seq4_0042_0035 seq7_0035_0042 0.83 123 745 156 723
13 4 seq11_0035_0035 seq17_0042_0042 0.97 148 623 241 1002
14 5 seq17_0035_0042 seq17_0042_0042 0.94 188 643 179 746
我应该得到：
df = pd.DataFrame({'a': [1, 1, 4, 5, 2, 5], 'b': [7, 5, 2, 1, 4, 2]})
this = df[['a', 'b']].apply(tuple, axis=1)
cum = pd.get_dummies(df[['b', 'a']].apply(tuple, axis=1)).cumsum()
this_zeros = pd.get_dummies(this)
this_zeros[:] = 0
pd.concat([cum, this_zeros[this_zeros.columns.difference(cum.columns)]], axis=1)
keep = pd.concat([cum, this_zeros[this_zeros.columns.difference(cum.columns)]], axis=1).lookup(df.index, this)
df=df[keep.astype(bool)]
print(df)
以下是我的真实数据：datas
这是你的例子：
a b
3 5 1
4 2 4
和我的结果：
this.state = {
pokemon: {
abilities: []
}
}
答案 0 :(得分：1)
如果您从列中创建一个元组，然后执行累积总和，您可以检查反转对是否已经出现在累计总和中：
df[~pd.DataFrame({
'tup': df[['sseqid', 'qseqid']].apply(tuple, axis=1),
'inv_tups': df[['qseqid', 'sseqid']].apply(lambda t: (tuple(t), ), axis=1).cumsum().shift(1)}
).apply(lambda r: isinstance(r.inv_tups, tuple) and r.tup in r.inv_tups, axis=1)]
df[['sseqid', 'qseqid']].apply(tuple, axis=1)会在列中创建元组。
df[['qseqid', 'sseqid']].apply(lambda t: (tuple(t), ), axis=1).cumsum().shift(1)创建反元组，并在元组中累加它们
答案 1 :(得分：0)
这是另一个答案，希望更有效率。
我将集中讨论您问题中的要点：查看前一行中是否出现了几列中的反向对。例如，我将使用
df = pd.DataFrame({'a': [1, 1, 4, 5, 2, 5], 'b': [7, 5, 2, 1, 4, 2]})
>>> df
a b
0 1 7
1 1 5
2 4 2
3 5 1
4 2 4
5 5 2
让我们找到每一行的元组：
this = df[['a', 'b']].apply(tuple, axis=1)
>>> this
0 (1, 7)
1 (1, 5)
2 (4, 2)
3 (5, 1)
4 (2, 4)
5 (5, 2)
dtype: object
这是反向元组的累积总和＆＃39;外观：
cum = pd.get_dummies(df[['b', 'a']].apply(tuple, axis=1)).cumsum()
>>> cum
(1, 5) (2, 4) (2, 5) (4, 2) (5, 1) (7, 1)
0 0.0 0.0 0.0 0.0 1.0 1.0
1 0.0 1.0 0.0 0.0 1.0 1.0
2 1.0 1.0 0.0 0.0 1.0 1.0
3 1.0 1.0 0.0 1.0 1.0 1.0
4 1.0 1.0 1.0 1.0 1.0 1.0
5 NaN NaN NaN NaN NaN NaN
为此，我们需要显示当前行的元组，如果它没有反向存在，则找不到：
this_zeros = pd.get_dummies(this)
this_zeros[:] = 0
>>> pd.concat([cum, this_zeros[this_zeros.columns.difference(cum.columns)]], axis=1)
(1.0, 5.0) (2.0, 4.0) (2.0, 5.0) (4.0, 2.0) (5.0, 1.0) (nan, nan) (1, 7) (2, 2) (5, 2)
0 0.0 0.0 0.0 0.0 1.0 0.0 0 0 0
1 0.0 1.0 0.0 0.0 1.0 0.0 0 0 0
2 1.0 1.0 0.0 0.0 1.0 0.0 0 0 0
3 1.0 1.0 0.0 1.0 1.0 0.0 0 0 0
4 1.0 1.0 1.0 1.0 1.0 0.0 0 0 0
5 1.0 1.0 1.0 1.0 1.0 1.0 0 0 0
6 NaN NaN NaN NaN NaN NaN 0 0 0
现在我们可以使用此DataFrame查找当前元组：
keep = pd.concat([cum, this_zeros[this_zeros.columns.difference(cum.columns)]], axis=1).lookup(df.index, this)
我们应该保留原始的DataFrame
>>> df[keep.astype(bool)]
a b
0 1 7
1 1 5
2 4 2
5 5 2