Question

关于SO的第一篇文章，我对Python还是很陌生，所以如果这个问题微不足道/已经被回答了（我找不到它，我很抱歉）。

我有一个由基因座标组成的熊猫数据框df，格式如下：

    chrom     start       end
0   chr22  10510357  10510357
1   chr22  10512304  10512304
2   chr22  10516109  10516109
3   chr22  10516111  10516111
4   chr22  10516129  10516129
5   chr22  10516130  10516130
6   chr22  10516131  10516131
7   chr22  10516133  10516133
8   chr22  10516161  10516161
9   chr22  10516162  10516162
10  chr22  10516163  10516163
11  chr22  10516164  10516164
12  chr22  10516165  10516165
13  chr22  10516166  10516166
14  chr22  10516167  10516167
15  chr22  10516168  10516168
16  chr22  10516169  10516169
17  chr22  10516170  10516170
18  chr22  10516171  10516171
19  chr22  10516172  10516172

我想做的是合并行，其中前一行的“结束”位置与当前行的“开始”位置相距1个碱基对，希望以这样的方式结束：

 chrom     start       end
0   chr22  10510357  10510357
1   chr22  10512304  10512304
2   chr22  10516109  10516109
3   chr22  10516111  10516111
4   chr22  10516129  10516129
5   chr22  10516130  10516133
6   chr22  10516161  10516172

我一直在研究一个仅由chr22中的位置组成的小型测试数据集，但是对于我的实际脚本，我将使用整个基因组，因此检查相邻位置的染色体是否也相同重要。到目前为止，这是我一直没有尝试过的方法：

for i in range(0, len(df)-1):
    if df.loc[i, 'chrom'] == df.loc[i+1, 'chrom'] and df.loc[i, 'end'] == df.loc[i+1, 'start']:
        df.loc[i, 'end'] = df.loc[i+1, 'end']

在此先感谢大家，感谢您的帮助/指导！

Answer 1

我假设“ 1个碱基对离开”表示当前行的开始位置等于前一行的结束位置值加1。

import pandas as pd

#Function to find the end position of consecutive rows 
    def findEnd(df, index):
        while index < len(df)-1:
            if(df.iloc[index]['end']+1) == df.iloc[index+1]['start']:
                index+=1
            else: return(df.iloc[index]['end'], index)
        return (df.iloc[index]['end'], index)


    lst = []
    i = 0
    genLen = len(df)
    #Traverse entire dataframe
    while i < genLen:  
        #Check if we have at least one more row
        if i < genLen-1: 
            #Check the next row is the same chrom
            if(df.iloc[i]['chrom'] == df.iloc[i+1]['chrom']):
                start = df.iloc[i]['start']
                end,i = findEnd(df,i)
                lst.append([df.iloc[i]['chrom'],start,end])
            else:
                #if the next row is a different 
                lst.append(list(df.iloc[i]))
        elif i == genLen -1:
            lst.append(list(df.iloc[i]))
        i+=1

    chrom = pd.DataFrame(lst,columns=['chrom','start','end'])

Answer 2

尝试一下：

df = pd.DataFrame([[1],[3],[4],[5],[7], [11],[12],[13],[14],[18]])
df_end = df[~((df[0].shift(0) == df[0].shift(-1)-1))]
df_start = df[~((df[0].shift(0) == df[0].shift(+1)+1))]
for start, end in zip(df_start[0], df_end[0]):
    print (start, end)

合并熊猫数据框行以创建范围？

2 个答案: