我实际上必须知道，如果我的结果是否有一些基因，为此我有一个列表，其中包含我的基因名称和具有相同相同数据的数据框：
例如
liste["gene1","gene2","gene3","gene4","gene5"]
和数据框：
name1 name2
gene1_0035 gene1_0042
gene56_0042 gene56_0035
gene4_0042 gene4_0035
gene2_0035 gene2_0042
gene57_0042 gene57_0035
df=pd.read_csv("dataframe_not_max.txt",sep='\t')
df=df.drop(columns=(['Unnamed: 0', 'Unnamed: 0.1']))
#print(df)
print(list(df.columns.values))
name1=df.ix[:,1]
name2=df.ix[:,2]
liste=[]
for record in SeqIO.parse(data, "fasta"):
liste.append(record.id)
print(liste)
print(len(liste))
count=0
for a, b in zip(name1, name2):
if a in liste:
count+=1
if b in liste:
count+=1
print(count)
我想要的是知道从我的列表中找到ma数据帧中的基因多少次，但它们没有完全相同的ID，因为在列表中没有基因名称后的_number，那么if i在liste中没有重新标识ID。
是否可以这样说：
if a without_number in liste:
在上面的例子中，它将是： count = 3，因为列表和数据文件中只有基因1,2和4。
这是一个更复杂的例子，看看你的脚本是否确实适用于我的数据： 假设我有一个数据框：
cluster_name qseqid sseqid pident_x
15 cluster_016607 EOG090X00GO_0035_0035 EOG090X00GO_0042_0035
16 cluster_016607 EOG090X00GO_0035_0035 EOG090X00GO_0042_0042
18 cluster_016607 EOG090X00GO_0035_0042 EOG090X00GO_0042_0035
19 cluster_016607 EOG090X00GO_0035_0042 EOG090X00GO_0042_0042
29 cluster_015707 EOG090X00LI_0035_0035 EOG090X00LI_0042_0042
30 cluster_015707 EOG090X00LI_0035_0035 EOG090X00LI_0042_0035
34 cluster_015707 EOG090X00LI_0042_0035 g1726.t1_0035_0042
37 cluster_015707 EOG090X00LI_0042_0042 g1726.t1_0035_0042
和一个清单：["EOG090X00LI_","EOG090X00GO_","EOG090X00BA_"]
这里我得到6但我应该得到2因为我的数据中只有2个序列EOG090X00LI和EOG090X00GO
事实上，在这里我想计算一个序列出现时只出现一次，即使它是例如：EOG090X00LI vs seq123454
我不知道是否清楚？
我用过例子：
df=pd.read_csv("test_busco_augus.csv",sep=',')
#df=df.drop(columns=(['Unnamed: 0', 'Unnamed: 0.1']))
print(df)
print(list(df.columns.values))
name1=df.ix[:,3]
name2=df.ix[:,4]
liste=["EOG090X00LI_","EOG090X00GO_","EOG090X00BA_"]
print(liste)
#get boolean mask for each column
m1 = name1.str.contains('|'.join(liste))
m2 = name2.str.contains('|'.join(liste))
#chain masks and count Trues
a = (m1 & m2).sum()
print (a)
答案 0 :(得分：4)
我认为需要：
liste=["EOG090X00LI","EOG090X00GO","EOG090X00BA"]
#extract each values before _, remove duplicates and compare by liste
a = name1.str.split('_').str[0].drop_duplicates().isin(liste)
b = name2.str.split('_').str[0].drop_duplicates().isin(liste)
#compare a with a for equal and sum Trues
c = a.eq(b).sum()
print (c)
2
编辑：
Task答案 1 :(得分：4)
找到sum等于1的位置
df.stack().str.split('_').str[0].isin(liste).sum(level=0).eq(1).sum()
2
stack和str访问者您可以使用split上的'_'抓取第一部分，然后使用isin确定成员资格。我还使用stack和all参数level=0来查看所有列的成员资格是否为True
df.stack().str.split('_').str[0].isin(liste).all(level=0).sum()
3
applymap df.applymap(lambda x: x.split('_')[0] in liste).all(1).sum()
3
sum / all sum(all(x.split('_')[0] in liste for x in r) for r in df.values)
3
map sum(map(lambda r: all(map(lambda x: x.split('_')[0] in liste, r)), df.values))
3
答案 2 :(得分：4)
使用isin
df.apply(lambda x : x.str.split('_').str[0],1).isin(l).sum(1).eq(2).sum()
Out[923]: 3
添加value_counts
df.apply(lambda x : x.str.split('_').str[0],1).isin(l).sum(1).value_counts()
Out[925]:
2 3
0 2
dtype: int64
答案 3 :(得分：3)
您可以使用stack()将数据框转换为系列（合并所有列），然后使用liste在_中搜索您的基因名称，然后搜索下划线Series.str.match() ：
s = df.stack()
sum([s.str.match(i+'_').any() for i in liste])
返回3
<强>详细信息：
df.stack()返回以下Series：
0 name1 gene1_0035
name2 gene1_0042
1 name1 gene56_0042
name2 gene56_0035
2 name1 gene4_0042
name2 gene4_0035
3 name1 gene2_0035
name2 gene2_0042
4 name1 gene57_0042
name2 gene57_0035
由于该系列中的所有基因后跟一个下划线，您只需要查看gene_name后跟_是否在该系列中。如果是这种情况，s.str.match(i+'_').any()会返回True。然后，您得到True值的总和，这是您的计数。