在多列中查找相同的值

Question

我有一个包含下一个信息的数据框

      Syndromes                                 Genes
0   1p36 microdeletion syndrome     RP11-34P13.7; CICP27; AL627309.1; RP11-34P13.1...
1   Cri du Chat Syndrome            ICMT; LINC00337; HES3; GPR153; ACOT7; RP1-202O...
...

我想知道是否有一些基因涉及多个综合征。

有没有简单的方法可以做到这一点？

Answer 1

IIUC 你想得到基因在各种症状中的出现。

您可以通过第一个exploding 和groupby count 来计算特定基因出现的症状。

df1 = df.assign(gene=df['Genes'].str.split('; ')).explode('gene')
df1.groupby('gene')['Syndromes'].count()

---

gene
ACOT7           1
AL627309.1      1
CICP27          2
GPR153          1
HES3            1
ICMT            1
LINC00337       1
RP1-202O        1
RP11-34P13.1    1
RP11-34P13.7    1
Name:       Syndromes, dtype: int64

如果您想列出症状的名称，请执行以下操作：

df1.groupby('gene')['Syndromes'].apply(list)

---

gene
ACOT7                                  [1   Cri du Chat Syndrome]
AL627309.1                      [0   1p36 microdeletion syndrome]
CICP27          [0   1p36 microdeletion syndrome, 1   Cri du C...
GPR153                                 [1   Cri du Chat Syndrome]
HES3                                   [1   Cri du Chat Syndrome]
ICMT                                   [1   Cri du Chat Syndrome]
LINC00337                              [1   Cri du Chat Syndrome]
RP1-202O                               [1   Cri du Chat Syndrome]
RP11-34P13.1                    [0   1p36 microdeletion syndrome]
RP11-34P13.7                    [0   1p36 microdeletion syndrome]
Name:       Syndromes, dtype: object

Answer 2

从您的源数据示例中，我发现您实际上只有 2 列：

• 综合征 - 综合征名称，
• 基因 - 涉及该综合征的基因名称的列表（分开 与 '; ' 字符串）。

假设您的源 DataFrame 包含：

    Syndromes                                           Genes
0  Syndrome_1    XXX-13.7; XXX-44.2; AL627309.1; RP11-34P13.1
1  Syndrome_2  ICMT; LINC00337; HES3; GPR153; ACOT7; RP1-202O
2  Syndrome_3                        ICMT; XXX-13.7; XXX-22.9
3  Syndrome_4                         XXX-13.7; GPR153; ACOT7
4  Syndrome_5                               XXX-44.2; RP1-202

第一步是转换每个字符串（包含基因列表） 放入一个实际的列表：

df.Genes = df.Genes.str.split('; ')

打印此操作前后的源df，看看有什么区别。

然后，查看每个基因涉及哪些综合征，过滤掉单个基因 参与：

1. 定义一个函数，为一组行生成一个综合症列表：

   def synList(grp):
       if grp.index.size > 1:
           return grp.Syndromes.to_list()
       return np.nan
   

2. 生成结果：

   result = df.explode(column='Genes').groupby('Genes').apply(synList).dropna()
   

   步骤：

   • df.explode(column='Genes') - 将每一行转换成几行 行，每行都有一个单个基因。
   • groupby('Genes') - 按 Genes 列对上述结果进行分组。
   • apply(synList) - 将上述函数应用到每个组。
   • dropna() - 删除单次出现的行。

对于我的源数据，结果如下系列：

Genes
ACOT7                   [Syndrome_2, Syndrome_4]
GPR153                  [Syndrome_2, Syndrome_4]
ICMT                    [Syndrome_2, Syndrome_3]
XXX-13.7    [Syndrome_1, Syndrome_3, Syndrome_4]
XXX-44.2                [Syndrome_1, Syndrome_5]
dtype: object

索引（左列）是基因名称和值（右列， 包含一个列表）是该基因发生的综合征的列表。