如何将一个数据框（多于一列）的值与另一个数据框（多于一列）的值匹配？

Question

df1：

    Symbol           Aliases
0   MLH1             COCA2, FCC2, HNPCC, HNPCC2, hMLH1
1   MSH2             COCA1, FCC1, HNPCC, HNPCC1, LCFS2
2   CCAT2            LINC00873, NCCP1
3   MACC1            7A5, SH3BP4L

在这里，别名可以有 NaN 值。

df2：

   Symbol_1        Symbol_2
0  NaN             DHX9
1  COCA1           MSH2
2  H2AC18          NaN
3  NCCP1           NaN

我希望将结果作为一个列表，其中包含 df1 和 df2 中相同的所有符号。

same_list = [MSH2, CCAT2]

如果 df2['Symbol_1', 'Symbol_2'] 匹配 df1['Symbol'] 它将打印 Symbol 但如果它匹配 df1['Aliases'] 它将从 df1 打印相应的 Symbol。

我们可以看到 NCCP1 与 df1['Aliases'] 匹配，但它会打印相应的符号，即 CCAT2

Answer 1

您可以使用flatten() 和set() 来获取您的值。

如果df1 是：

  Symbol                        Aliases
0   MLH1  COCA2,FCC2,HNPCC,HNPCC2,hMLH1
1   MSH2  COCA1,FCC1,HNPCC,HNPCC1,LCFS2
2  CCAT2                LINC00873,NCCP1
3  MACC1                    7A5,SH3BP4L

而df2 是：

Symbol_1 Symbol_2
0      NaN     DHX9
1    COCA1     MSH2
2   H2AC18      NaN
3    NCCP1      NaN

然后这个脚本：

df1.Aliases = df1.Aliases.str.split(',')
s1 = set(df1.explode('Aliases').values.flatten())
s2 = set(df2.values.flatten())
print(s1 & s2)

打印：

{'NCCP1', 'COCA1', 'MSH2'}