![](/img/trans.png)
[英]Quickest way to find partial string match between two pandas dataframes
[英]Pandas: exact string match, with position, between two dataframes
假设我有以下两个数据框。
实际上,两个数据框每个都将有大约一百万行,因此我想找到最有效的比较方法:
总体目标是计算在基因中找到每个feature_id的次数,并捕获位置信息以供下游使用。
# break fasta_df sequences and mutation seqs up into kmers
data = [{"gene":"pik3ca", "start":"179148724", "stop":"179148949","seq":"TTTGCTTTATCTTTTGTTTTTGCTTTAGCTGAAGTATTTTAAAGTCAGTTACAG"},
{"gene":"brca1", "start":"179148724", "stop":"179148949","seq":"CAATATCTACCATTTGTTAACTTTGTTCTATTATCATAACTACCAAAATTAACAGA"},
{"gene":"kras1", "start":"179148724", "stop":"179148949","seq":"AAAACCCAGTAGATTTTCAAATTTTCCCAACTCTTCCACCAATGTCTTTTTACATCT"}]
# test dataframe with input seq
df1 = pd.DataFrame(data)
data2 = [{"FeatureID":"1_1_15", "BaseCall":"TTTGTT"},
{"FeatureID":"1_1_15", "BaseCall":"AATATC"},
{"FeatureID":"1_1_16", "BaseCall":"GTTTTT"},
{"FeatureID":"1_1_16", "BaseCall":"GTTCTA"},
]
df2= pd.DataFrame(data2)
输出应类似于:
| gene | feature_id | BaseCall | Position
| pik3ca | 1_1_15 | TTTGTT | 12
| pik3ca | 1_1_16 | GTTTTT | 15
| brca1 | 1_1_16 | GTTCTA | 24
| brca1 | 1_1_15 | AATATC | 1
| brca1 | 1_1_15 | TTTGTT | 12
| brca1 | 1_1_15 | TTTGTT | 21
当我仅在一个序列上使用一个测试基调用时,此ngram函数似乎运行良好,但是我很难找出最有效的方法来使用apply方法以及来自两个不同数据帧的一个参数。 也许还有更好的方法来找到两个数据框之间的匹配字符串/位置?
def ngrams(string, target):
ngrams = zip(*[string[i:] for i in range(6)])
output = [''.join(ngram)for ngram in ngrams]
indices = [(i,x) for i, x in enumerate(output) if x == target]
return indices
使用re.finditer()
和一些Pandas hacking来re.finditer()
给定seq
中相同BaseCall
可能多次出现的情况:
import re
def match_basecall(pattern, string):
match = re.finditer(pattern, string)
start_pos = [m.start() for m in match]
if not start_pos:
return None
return start_pos
matches = df2.BaseCall.apply(lambda bc: df1.seq.apply(lambda x: match_basecall(bc, x)))
matches.columns = df1.gene
merged = matches.merge(df2, left_index=True, right_index=True)
melted = merged.melt(id_vars=["FeatureID", "BaseCall"],
var_name="gene",
value_name="Position").dropna()
melted
FeatureID BaseCall gene Position
0 1_1_15 TTTGTT pik3ca [12]
2 1_1_16 GTTTTT pik3ca [15]
4 1_1_15 TTTGTT brca1 [12, 21]
5 1_1_15 AATATC brca1 [1]
7 1_1_16 GTTCTA brca1 [24]
多个BaseCall
匹配项在Position
中表示为列表项,但我们所需的输出将每个匹配项放在单独的行上。 我们可以使用apply(pd.Series)
将一列列表分解为多列,然后使用stack()
将列摆动成行:
stacked = (pd.DataFrame(melted.Position.apply(pd.Series).stack())
.reset_index(level=1, drop=True)
.rename(columns={0:"Position"}))
final = melted.drop("Position", 1).merge(stacked, left_index=True, right_index=True)
final
FeatureID BaseCall gene Position
0 1_1_15 TTTGTT pik3ca 12.0
2 1_1_16 GTTTTT pik3ca 15.0
4 1_1_15 TTTGTT brca1 12.0
4 1_1_15 TTTGTT brca1 21.0
5 1_1_15 AATATC brca1 1.0
7 1_1_16 GTTCTA brca1 24.0
我们可以通过FeatureID
和gene
groupby
来获得出现总数:
final.groupby(["FeatureID", "gene"]).Position.count()
FeatureID gene
1_1_15 brca1 3
pik3ca 1
1_1_16 brca1 1
pik3ca 1
注意:对于每个OP输出,排除不匹配的组合。
另外,在此假设BaseCall
只是一列,并且Basecall
和BaseCall
分开的列。
声明:本站的技术帖子网页,遵循CC BY-SA 4.0协议,如果您需要转载,请注明本站网址或者原文地址。任何问题请咨询:yoyou2525@163.com.