如何识别重复并分配新 ID？答案

【问题标题】：How do I Identify duplicate and assign new ID?如何识别重复并分配新 ID？
【发布时间】：2020-01-17 01:00:17
【问题描述】：

我有一份 DNA 寡核苷酸列表可供订购，其中包含重复序列。但是，我需要将它们与使用它们的质粒的标识符配对。

换句话说，我需要这个数据框：

  Oligo_sequence   Plasmid
0 "ATG"           "Plasmid A"
1 "ATG"           "Plasmid B" 
2 "CAG"           "Plasmid C"

变成：

  Oligo_sequence    Plasmid
0 "ATG"           ["Plasmid A","Plasmid B"]
1 "CAG"           ["Plasmid C"]

我认为与此类似的功能可能会起作用。但我不知道如何识别重复项。

for index, row in df.iterrows():
    plasmidlist = [row[1]]
    if duplicate == True: #Is their a dublicate function I can use? 
        plasmidlist.append(duplicaterow[1])
        drop(dublicaterow)

    df.at[row,'Plasmid']= plasmidlist

【问题讨论】：

最好避免使用.iterrows()。顺便说一句，你为什么要这样做？
尝试更多使用groupby、apply等函数，而不是iterrow：第一种方法：df.groupby('Oligo_sequence')['Plasmid'].apply(list).reset_index()；使用 lambda 的第二种方法：df.groupby('Oligo_sequence')['Plasmid'].apply(lambda x: ",".join(x).split(",")).reset_index()

标签： python pandas biopython

【解决方案1】：

将groupby 和agg 与列表一起使用：

df.groupby('Oligo_sequence')['Plasmid'].agg(list)

输出：

"ATG"    ["Plasmid A", "Plasmid B"]
"CAG"                 ["Plasmid C"]
Name: Plasmid, dtype: object

【讨论】：

【解决方案2】：

您可以将pd.groupby 与.apply(list) 一起使用：

df = pd.DataFrame({'Oligo_sequence':['ATG', 'ATG', 'CAG'], 'Plasmid':['Plasmid A', 'Plasmid B', 'Plasmid C']})

print(df.groupby('Oligo_sequence')['Plasmid'].apply(list).reset_index())

打印：

  Oligo_sequence                 Plasmid
0            ATG  [Plasmid A, Plasmid B]
1            CAG             [Plasmid C]

【讨论】：

谢谢，干得漂亮

【解决方案3】：

如果您的解析算法有效，我将使用字典结构来完成此任务。您可以在 Python 中轻松检查一个项目是否存在于列表中：

     for each item in parent_list:
       if item is in plasmid_list:
          # do thing

【讨论】：

【解决方案4】：

如果您不喜欢列表，可以在 Pandas 中使用字符串函数：https://pandas.pydata.org/pandas-docs/stable/reference/api/pandas.Series.str.cat.html

Oligo_sequence=['ATG','ATG','CAG']
Plasmid = ['Plasmid A','Plasmid B', 'Plasmid C']
data = {'Oligo_sequence':Oligo_sequence,
        'Plasmid':Plasmid}

df = pd.DataFrame(data)

df


    Oligo_sequence  Plasmid
0       ATG        Plasmid A
1       ATG        Plasmid B
2       CAG        Plasmid C

(df
 .groupby('Oligo_sequence')
 .agg(lambda x: x['Plasmid'].str.cat(sep= ','))
 .reset_index()
)

    Oligo_sequence  Plasmid
 0      ATG        Plasmid A,Plasmid B
 1      CAG        Plasmid C

【讨论】：