Question

我需要帮助，以便根据条件和另一个数据框添加新列。我知道难度很高，但是我尝试添加自己能做的最大事例，并纠正一个简单的算法以完成我需要的工作。

这是我们将在其中添加列的主要数据框：

df1

Name        start1 end1 strand length 
OK0100087.1 187    250  +      63
OK0100087.1 830    750  -      80
OK0100087.1 500    625  +      125
OK0100087.1 375    275  -      100   
OK0100087.1 150    20   -      120
OK0100088.1 600    1000  +     400

从这个df中，我想添加2列，分别为Newstart和``Newend`'' df2

Name        start1 end1 strand length Newstart Newend 
OK0100087.1 187    250  +      63
OK0100087.1 830    750  -      80
OK0100087.1 500    625  +      125
OK0100087.1 375    275  -      100   
OK0100087.1 150    20   -      120
OK0100088.1 600    1000 +      400

并使用以下注解df填充空白单元格：

df2

Name        start_plus end_plus start_minus end_minus 
OK0100087.1_0 0          375      1000        625
OK0100087.1_1 376        750      624         250 
OK0100087.1_3 751        1000     249         0 
OK0100088.1   0          12000    0           12000
OK0100089.1_0 0          566      3000        2433
OK0100089.1_1 567        3000     2432        0

想法是让每一行检查链值，然后执行诸如以下算法：

if df1.strand.eq("-"):
   df1.Newstart = df1.start1 - df2.end_minus
   df1.Newend = df1.Newstart - df1.length

if df1.strand.eq("+"):
   df1.Newstart = df1.start1 - df2.start_plus
   df1.Newend = df1.Newstart + df1.length

所以让我们以一个例子来更好地理解：

df1

中的第一个Name组 OK0100087.1

Name        start1 end1 strand length Newstart Newend 
OK0100087.1 187    250  +      63
OK0100087.1 830    750  -      80
OK0100087.1 500    625  +      125
OK0100087.1 375    275  -      100   
OK0100087.1 150    20   -      120

第一行是+链，然后df1.end1 = 250

在df2中，我们仅将df2.Names.str.contains(df1.Name)和 250 保持在

的间隔内

Name          start_plus end_plus 
OK0100087.1_0 0          375

（我将start_plus和end_plus作为间隔，因为它是+链）。

如此

if df1.strand.eq("+"):
   df1.Newstart = df1.start1 - df2.start_plus
   (df1.Newstart = 187 - 0 = 187
   df1.Newend = df1.Newstart + df1.length
   (df1.Newend =187+63 = 250)

给出：

Name        start1 end1 strand length Newstart Newend 
OK0100087.1 187    250  +      63     187      250
OK0100087.1 830    750  -      80
OK0100087.1 500    625  +      125
OK0100087.1 375    275  -      100   
OK0100087.1 150    20   -      120
OK0100088.1 500    700  +      200

现在让我们对第二行进行操作：

strand.eq("-")，因此df1.start1（ 830 ）在以下时间间隔内：

Name          start_minus end_minus 
OK0100087.1_0 1000        625

如此

if df1.strand.eq("-"):
   df1.Newstart = df1.start1 - df2.end_minus
   (df1.Newstart = 830 - 625 =205)
   df1.Newend = df1.Newstart - df1.length
   df1.Newend = 205 - 80 = 125)

给出：

Name        start1 end1 strand length Newstart Newend 
OK0100087.1 187    250  +      63     187      250
OK0100087.1 830    750  -      80     205      125
OK0100087.1 500    625  +      125
OK0100087.1 375    275  -      100   
OK0100087.1 150    20   -      120
OK0100088.1 500    700  +      200

以此类推...

Name        start1 end1 strand length Newstart Newend 
OK0100087.1 187    250  +      63     187      250
OK0100087.1 830    750  -      80     205      125
OK0100087.1 500    625  +      125    125      250
OK0100087.1 375    275  -      100    125      25
OK0100087.1 150    20   -      120    150      20
OK0100088.1 600    1000 +      200    33       433

如果有人有一些想法可以做到这一点，那就太好了。非常感谢你

Answer 1

从您的示例中还不清楚名称是否唯一，如果df1中的某个名称与df2中的多个名称匹配，该怎么办。

无论如何，我建议的过程是使用DataFrame.apply方法。 Thats方法会收到一个函数，该函数将适用于每行（在args中指定axis = 1，否则默认为0），同时向每行添加新列（您的Newstart和Newend属性）。

示例：

def func(row-from-df):
    df2Portion = d2[d2[Name].str.contains(row-from-df[Name], na=False)]  # using vectorize string

    if row-from-df.strand.eq('+'):
        # your logic here, you can add rows etc..
    else:
        # your logic here

    return row-from-df

df1.apply(func, axis=1)

请注意，您必须返回已更改的行。

还请注意，返回值是一个新的DataFrame，不会破坏原始df1。

您可以阅读更多here

根据熊猫中的另一个dafaframe添加两个新列

1 个答案: