Question

我正在串联来自不同样本的突变数据的几个数据帧。我知道会有重复，即几个样本将具有相同的常见突变。我想删除具有相同突变的多余重复行，而改为包含具有该突变的所有样本的列。我不认为df.drop_duplicates（）会像np.unique（）一样执行此操作。

简化示例：

import pandas as pd
df = pd.DataFrame({"Chromosome":[1, 1, 1, 1, 1],
               'Position': [100, 220,300,100,220],
               "Gene":["CHD1","BRCA2","TP53","CHD1", "BRCA2"], 
               "SAMPLE":["A1","A2","A3","A4", "A5"]})
df
Output:
     Chromosome Position Gene   SAMPLE
 0        1     100      CHD1      S1
 1        1     220      BRCA2     S2
 2        1     300      TP53      S3
 3        1     100      CHD1      S4
 4        1     220      BRCA2     S5

最后我要结束：

df_new 
Output:
     Chromosome Position Gene   SAMPLES     Count 
 0        1     100      CHD1      [S1, S4]    2
 1        1     220      BRCA2     [S2,S5]     2
 2        1     300      TP53      S3          1

我敢肯定有一些简单的方法可以做到这一点，而我很想念。

这是我在numpy中所做的方式（使用np.uniue（return_inverse = True）的逆输出。它虽然有效，但效率不高。

Samples = array(master_df['Sample_ID'], dtype=str)
temp_array = array(master_df[master_df.columns[0:3]], dtype=str)
temp_unq, ind1, inv1, cnts1 = unique(temp_array, return_index= True, return_inverse=True, return_counts=True, axis=0)
s1 = [[] for i in cnts1]
for i in range(temp_unq.shape[0]): 
        whr = np.where(inv1==i)[0]
        s1[i].append(list(Samples[whr]))
    unq_combo = master_df.iloc[ind1]
    unq_combo = unq_combo.reset_index(drop=True)
    unq_combo['Counts'] =pd.Series(cnts1)
    unq_combo['Samples#'] = pd.Series(s1)

Answer 1

使用groupby和agg：

df.groupby(['Chromosome', 'Position', 'Gene']).SAMPLE.agg([list, 'count'])
                               list  count
Chromosome Position Gene                  
1          100      CHD1   [S1, S4]      2
           220      BRCA2  [S2, S5]      2
           300      TP53       [S3]      1

(df.groupby(['Chromosome', 'Position', 'Gene']).SAMPLE
   .agg([list, 'count'])
   .reset_index())

   Chromosome  Position   Gene      list  count
0           1       100   CHD1  [S1, S4]      2
1           1       220  BRCA2  [S2, S5]      2
2           1       300   TP53      [S3]      1

Answer 2

我使用了groupby和一个聚合指令来返回列表中的组（请参阅git documentation）

创建数据（OP中的每个代码）

df = pd.DataFrame({"Chromosome":[1, 1, 1, 1, 1],
               'Position': [100, 220,300,100,220],
               "Gene":["CHD1","BRCA2","TP53","CHD1", "BRCA2"], 
               "SAMPLE":["A1","A2","A3","A4", "A5"]})
print(df)
   Chromosome  Position   Gene SAMPLE
0           1       100   CHD1     A1
1           1       220  BRCA2     A2
2           1       300   TP53     A3
3           1       100   CHD1     A4
4           1       220  BRCA2     A5

使用汇总字典执行groupby

agg_dict = {'SAMPLE':[list, 'count']}
grouped = grouped = (
    df.groupby(['Chromosome','Position','Gene'], as_index=False)
    .agg(agg_dict)
    )
grouped.columns = grouped.columns.map(' '.join).str.strip()
print(grouped)

   Chromosome  Position   Gene SAMPLE list  SAMPLE count
0           1       100   CHD1    [A1, A4]             2
1           1       220  BRCA2    [A2, A5]             2
2           1       300   TP53        [A3]             1

编辑

根据OP中的示例数据更改进行了修改。

识别重复项和相应的索引

2 个答案: