基于python中两个文件的列坐标合并文件

Question

我有一个名为 snp.txt 的文件，如下所示：

chrom   chromStart  chromEnd    name    strand     observed     
chr1    259         260      rs72477211  +   A/G    single  
chr1    433         433      rs56289060  +   -/C    insertion   
chr1    491         492      rs55998931  +   C/T    single  
chr1    518         519      rs62636508  +   C/G    single  
chr1    582         583      rs58108140  +   A/G    single  

我有第二个文件gene.txt

chrom   chromStart  chromEnd    tf_title    tf_score
chr1    200         270         NFKB1       123
chr1    420         440         IRF4        234
chr1    488         550         BCL3        231
chr1    513         579         TCF12       12
chr1    582         583         BAD170      89

我想要的最终输出是：output.txt

chrom   chromStart  chromEnd    name    strand  observed    tf_title    tf_score
chr1    259         260      rs72477211    +    A/G         NFKB1       123
chr1    433         433      rs56289060    +    -/C         IRF4        234
chr1    491         492      rs55998931    +    C/T         BCL3        231
chr1    518         519      rs62636508    +    C/G         TCF12       12
chr1    582         583      rs58108140    +    A/G         BAD170      89

我希望能够做的关键是查看gene.txt并检查snp.txt的名称列中的rsnumber是否在由chrom、chromStart和chromEnd建立的同一区域中。

例如：

在snp.txt的第一行 rsid rs72477211 位于 chr1 的位置 259 和 260 之间。

现在在gene.txt中，NFKB1也在chr1上，但在位置200和270之间， 这意味着 rsid rs72477211 位于 NFKB1 区域，因此在输出 txt 中会注明。

在使用 pandas 合并功能时我无法做到这一点，我什至不知道从哪里开始。 文件非常大，因此循环效率非常低。 有人可以帮忙吗？谢谢！

Answer 1

如果它适合内存，您可以 merge 两个数据帧与 outer 方法仅基于 chrom 列，然后通过执行范围包含数学过滤您的结果：

df = snp.merge(gene, how='outer', on='chrom')
df = df[(df.chromStart_x>=df.chromStart_y) & (df.chromEnd_x<=df.chromEnd_y)]

您最终可以删除重复的列：

del test['chromStart_y']
del test['chromEnd_y']