我在pandas数据框中有多个患者的测序数据，每个患者都有一列基因型（字符串格式为x / x：xxx：xxxx），患者数量会有所不同... 我需要对这些信息做两件事，
计算每一行的每个基因型列中子字符串的频率，例如三位基因型患者：0/1：xxx：xxxx 0/1：xxxx：xxxx 1/1：xxxx：xxxx：xxxx，我需要将0/1行插入新列df ['freq_01' ]，则df ['freq_11']等行中的1/1是多少次。
我需要为上一步中的每个基因型创建一个带有样品名称（列名称）的新列，例如： df ['samples_01] =“ S1，S2，S4”（每行）
我能够通过遍历每一行来做到这一点，但我想知道是否有可能通过熊猫来更有效地做到这一点。
原始数据（在我的文件中大约有10万行）：
| id | S1 | S2 | S3 | S4 |
|----|---------|---------|---------|---------|
| 1 | 1/1:5:5 | 0/1:3:3 | 0/1:2:2 | 0/1:7:6 |
| 2 | 0/1:3:3 | 1/1:5:5 | 1/1:5:5 | 0 |
| 3 | 0/1:3:3 | 0 | 0/1:3:3 | 1/1:5:5 |
结果应如何显示：
| id | S1 | S2 | S3 | S4 | freq_01 | samples_01 |
|----|---------|---------|---------|---------|---------|------------|
| 1 | 1/1:5:5 | 0/1:3:3 | 0/1:2:2 | 0/1:7:6 | 3 | S2,S3,S4 |
| 2 | 0/1:3:3 | 1/1:5:5 | 1/1:5:5 | 0 | 1 | S1 |
| 3 | 0/1:3:3 | 0 | 0/1:3:3 | 1/1:5:5 | 2 | S1,S3 |
答案 0 :(得分：1)
您可以简单使用：
'$1$2'哪个将计算S1列中的子字符串“：”
df['S1'].str.count(':')
对于 id S1 S2 S3 S4 freq_01 samples_01
0 1 1/1:5:5 0/1:3:3 0/1:2:2 0/1:7:6 3 S2,S3,S4
1 2 0/1:3:3 1/1:5:5 1/1:5:5 0 1 S1
2 3 0/1:3:3 0 0/1:3:3 1/1:5:5 2 S1,S3
0 2
1 2
2 2
Name: S1, dtype: int64
列以逗号分隔的元素计数，请使用以下方法：
samples_01答案 1 :(得分：0)
Pandas与列配合使用效果更好，所以我假设初始数据接近于您所显示的结果：
df = pd.DataFrame({1: {'S1': '1/1:5:5', 'S2': '0/1:3:3', 'S3': '0/1:2:2', 'S4': '0/1:7:6'},
2: {'S1': '0/1:3:3', 'S2': '1/1:5:5', 'S3': '1/1:5:5', 'S4': '0'},
3: {'S1': '0/1:3:3', 'S2': '0', 'S3': '0/1:3:3', 'S4': '1/1:5:5'}}
).rename_axis('id', axis=1)
它打印为：
id 1 2 3
S1 1/1:5:5 0/1:3:3 0/1:3:3
S2 0/1:3:3 1/1:5:5 0
S3 0/1:2:2 1/1:5:5 0/1:3:3
S4 0/1:7:6 0 1/1:5:5
然后针对要处理的每个值，我将构建一个临时数据框以了解该值是否存在。例如'0/1'：
temp = df.apply(lambda x: x.str.match('0/1'))
给予：
id 1 2 3
S1 False True True
S2 True False False
S3 True False True
S4 True False False
然后可以很容易地找到频率和样本列表：
freq0_1 = temp.agg(lambda x: x[x].count()).rename('freq_01')
samples0_1 = temp.agg(lambda x: list(x[x].index)).rename('samples0_1')
如果要处理多个可能的值，这仍然很简单：
series = []
for value, ident in [('0/1', '01'), ('1/1', '11')]:
temp = df.apply(lambda x: x.str.match(value))
freq = temp.agg(lambda x: x[x].count()).rename('freq_' + ident)
samples = temp.agg(lambda x: list(x[x].index)).rename('samples_' + ident)
series.extend([freq, samples])
print(pd.concat(series, axis=1))
给予：
freq_01 samples_01 freq_11 samples_11
id
1 3 [S2, S3, S4] 1 [S1]
2 1 [S1] 2 [S2, S3]
3 2 [S1, S3] 1 [S4]
答案 2 :(得分：0)
您可以使用Series.str.startswith()将数据帧转换为所有布尔值的数组，然后计算频率并查找每行上具有True值的列名称。下面是示例代码：
#get a list of columns names required in calculation
cols = df.filter(like='S').columns
#Index(['S1', 'S2', 'S3', 'S4'], dtype='object')
# set up an array with True/False using Series.str.startswith
arr_01 = np.array([ df[c].str.startswith('0/1:') for c in cols ]).T
print(arr_01)
#array([[False, True, True, True],
# [ True, False, False, False],
# [ True, False, True, False]])
# count the True value on row
df['freq_01'] = np.sum(arr_01, axis=1)
# retrieve column names with True values only
df['samples_01'] = [ ','.join(filter(len, x)) for x in np.multiply(arr_01, np.array(cols)) ]
print(df)
# id S1 S2 S3 S4 freq_01 samples_01
#0 1 1/1:5:5 0/1:3:3 0/1:2:2 0/1:7:6 3 S2,S3,S4
#1 2 0/1:3:3 1/1:5:5 1/1:5:5 0 1 S1
#2 3 0/1:3:3 0 0/1:3:3 1/1:5:5 2 S1,S3
要处理更多情况，只需使用 for 循环：
cols = df.filter(like='S').columns
for t in [ '01', '11' ]:
subt = t[0] + '/' + t[1] + ':'
arr_t = np.array([ df[c].str.startswith(subt) for c in cols ]).T
df['freq_{}'.format(t)] = np.sum(arr_t, axis=1)
df['samples_{}'.format(t)] = [ ','.join(filter(len, x)) for x in np.multiply(arr_t, np.array(cols)) ]
print(df)
# id S1 S2 S3 S4 freq_01 freq_11 samples_01 samples_11
#0 1 1/1:5:5 0/1:3:3 0/1:2:2 0/1:7:6 3 1 S2,S3,S4 S1
#1 2 0/1:3:3 1/1:5:5 1/1:5:5 0 1 2 S1 S2,S3
#2 3 0/1:3:3 0 0/1:3:3 1/1:5:5 2 1 S1,S3 S4