假设我有两个数据帧。
实际上,两个数据帧每个都会有大约一百万行,所以我想找到最有效的比较方法:
总体目标是计算在基因中找到每个feature_id的次数,并捕获位置信息以供下游使用。
# break fasta_df sequences and mutation seqs up into kmers
data = [{"gene":"pik3ca", "start":"179148724", "stop":"179148949","seq":"TTTGCTTTATCTTTTGTTTTTGCTTTAGCTGAAGTATTTTAAAGTCAGTTACAG"},
{"gene":"brca1", "start":"179148724", "stop":"179148949","seq":"CAATATCTACCATTTGTTAACTTTGTTCTATTATCATAACTACCAAAATTAACAGA"},
{"gene":"kras1", "start":"179148724", "stop":"179148949","seq":"AAAACCCAGTAGATTTTCAAATTTTCCCAACTCTTCCACCAATGTCTTTTTACATCT"}]
# test dataframe with input seq
df1 = pd.DataFrame(data)
data2 = [{"FeatureID":"1_1_15", "BaseCall":"TTTGTT"},
{"FeatureID":"1_1_15", "BaseCall":"AATATC"},
{"FeatureID":"1_1_16", "BaseCall":"GTTTTT"},
{"FeatureID":"1_1_16", "BaseCall":"GTTCTA"},
]
df2= pd.DataFrame(data2)
输出应该类似于:
| gene | feature_id | BaseCall | Position
| pik3ca | 1_1_15 | TTTGTT | 12
| pik3ca | 1_1_16 | GTTTTT | 15
| brca1 | 1_1_16 | GTTCTA | 24
| brca1 | 1_1_15 | AATATC | 1
| brca1 | 1_1_15 | TTTGTT | 12
| brca1 | 1_1_15 | TTTGTT | 21
当我在一个seq上只使用一个测试基本调用时,这个ngram函数似乎工作得很好,但是我很难找到使用apply方法的最有效方法,其中一个参数来自两个不同的数据帧。或者可能有更好的方法在两个数据帧之间找到匹配的字符串/位置?
def ngrams(string, target):
ngrams = zip(*[string[i:] for i in range(6)])
output = [''.join(ngram)for ngram in ngrams]
indices = [(i,x) for i, x in enumerate(output) if x == target]
return indices
答案 0 :(得分:1)
使用re.finditer()
和some Pandas hacking考虑可能在给定BaseCall
内多次出现同一seq
:
import re
def match_basecall(pattern, string):
match = re.finditer(pattern, string)
start_pos = [m.start() for m in match]
if not start_pos:
return None
return start_pos
matches = df2.BaseCall.apply(lambda bc: df1.seq.apply(lambda x: match_basecall(bc, x)))
matches.columns = df1.gene
merged = matches.merge(df2, left_index=True, right_index=True)
melted = merged.melt(id_vars=["FeatureID", "BaseCall"],
var_name="gene",
value_name="Position").dropna()
melted
FeatureID BaseCall gene Position
0 1_1_15 TTTGTT pik3ca [12]
2 1_1_16 GTTTTT pik3ca [15]
4 1_1_15 TTTGTT brca1 [12, 21]
5 1_1_15 AATATC brca1 [1]
7 1_1_16 GTTCTA brca1 [24]
多个BaseCall
匹配在Position
中表示为列表项,但我们所需的输出将每个匹配放在一个单独的行上。我们可以使用apply(pd.Series)
将一列列表分成多列,然后stack()
将列转换为行:
stacked = (pd.DataFrame(melted.Position.apply(pd.Series).stack())
.reset_index(level=1, drop=True)
.rename(columns={0:"Position"}))
final = melted.drop("Position", 1).merge(stacked, left_index=True, right_index=True)
final
FeatureID BaseCall gene Position
0 1_1_15 TTTGTT pik3ca 12.0
2 1_1_16 GTTTTT pik3ca 15.0
4 1_1_15 TTTGTT brca1 12.0
4 1_1_15 TTTGTT brca1 21.0
5 1_1_15 AATATC brca1 1.0
7 1_1_16 GTTCTA brca1 24.0
我们groupby
FeatureID
和gene
可以获得发生总数:
final.groupby(["FeatureID", "gene"]).Position.count()
FeatureID gene
1_1_15 brca1 3
pik3ca 1
1_1_16 brca1 1
pik3ca 1
注意:每个OP输出,不包括没有匹配的组合
另外,假设此处BaseCall
只是一列,并且Basecall
和BaseCall
不同列。