python - 如何在给定特定条件的python中替换列？

Question

我有一个包含多个列的数据框，如下所示...

Chr1    Cufflinks   exon    28354206    28354551    .   .   .   gene_id "XLOC_008369"; transcript_id "TCONS_00014347"; exon_number "1"; oId "CUFF.2405.1"; class_code "u"; tss_id "TSS10073";
Chr1    Cufflinks   exon    28785549    28786194    .   .   .   gene_id "XLOC_008370"; transcript_id "TCONS_00014348"; exon_number "1"; oId "CUFF.2441.1"; class_code "u"; tss_id "TSS10074";
Chr1    Cufflinks   exon    29328712    29329210    .   .   .   gene_id "XLOC_008371"; transcript_id "TCONS_00014349"; exon_number "1"; oId "CUFF.2495.1"; class_code "u"; tss_id "TSS10075";
Chr1    Cufflinks   exon    29427951    29428406    .   .   .   gene_id "XLOC_008372"; transcript_id "TCONS_00014350"; exon_number "1"; oId "CUFF.2506.1"; class_code "u"; tss_id "TSS10076";
Chr1    Cufflinks   exon    29460116    29460585    .   .   .   gene_id "XLOC_008373"; transcript_id "TCONS_00014351"; exon_number "1"; oId "CUFF.2509.1"; class_code "u"; tss_id "TSS10077";

我想要做的是，如果我列表中的任何项目出现在数据框的一列中，那么我将第二列从 Cufflinks 替换为 lincRNA。

一个问题是我用来制作字典中的键的列在数据框中有多行，因此我只得到唯一键，因此输出的总行数与输入。

到目前为止，这是我的代码...

#!/usr/bin/env python

file_in = open("lincRNA_final_transcripts.fa")
file_in2 = open("AthalianaslutteandluiN30merged.gtf")
file_out = open("updated.gtf", 'w')

sites = []
result = {}

for line in file_in:
    line = line.strip()
    if line.startswith(">"):
        line = line[1:]
        gene = str.split(line, ".")
        gene = gene[0]
        sites.append(gene)


for line2 in file_in2:
    line2 = line2.strip().split()
    line3 = str.split(line2[11], ";")
    line3 = line3[0]
    line3 = line3[1:-1]
    result[line3] = line2


for id in sites:
    id2 = str(id)
    if id2 in result.keys():
        result[id][1] = "lincRNA"

for val in result.values():
    file_out.write("\t".join(val))
    file_out.write("\n")

Answer 1

我将尝试在pandas 中介绍如何执行此操作。 Pandas 是一个用于处理数据帧的 python 库，学习它可以很容易地进行数据帧操作。

1. 安装熊猫

   sudo pip install pandas
   

2. 将您的数据加载到 pandas 数据框对象中。 gtf 似乎是一个制表符分隔的文件，所以传递\t 作为分隔符。如果没有标题行传递None，如果第一行是标题则传递0。有关参数的更多信息，请参阅here。

   import pandas
   df = pd.read_csv('AthalianaslutteandluiN30merged.gtf', sep = '\t', header = None, engine = 'python')
   
       0      1             2       3       4     5 6 7            8  
   0   Chr1    Cufflinks   exon 28354206 28354551 . . .    gene_id "XLOC_008369"   transcript_id "TCONS_00014347"  exon_number "1" oId "CUFF.2405.1"   class_code "u"  tss_id "TSS10073"
   1   Chr1    Cufflinks   exon 28785549 28786194 . . .    gene_id "XLOC_008370"   transcript_id "TCONS_00014348"  exon_number "1" oId "CUFF.2441.1"   class_code "u"  tss_id "TSS10074"
   

3. 检查第 8 列中的字符串是否包含一个子字符串，该子字符串也包含在您的 sites 列表中。我们将使用this idea.

   sites = ["XLOC_008369", "XLOC_008369"]
   pattern = '|'.join(sites)
   mask = df[8].str.contains(pattern)
   

4. 如果第 8 列包含与 sites 列表中的元素匹配的子字符串，则使用布尔索引将 Cufflinks 更改为 lincRNA。有关 pandas 索引的更多信息，请参阅 here。

   df.loc[mask,1] = 'lincRNA'
   

编辑：使用str.contains 检查熊猫列是否包含列表中的元素。