我需要编写一个函数来根据某些分层条件过滤数据集。此功能的目的是为一堆蛋白质中的每种蛋白质获得一个注释。
该功能需要执行以下操作,
这是将要过滤的数据的示例,
df=pd.DataFrame({
'id': ['Protein_1', 'Protein_1', 'Protein_1',
'Protein_2','Protein_2','Protein_2'],
'analysis': ['analysis_6', 'analysis_4', 'analysis_1',
'analysis_3','analysis_2','analysis_5'],
'annotation':['annotation_1', 'annotation_2', 'annotation_3',
'annotation_1','annotation_2','annotation_3'] })
这是我想看到的输出,
df_filtered= pd.DataFrame({
'id': ['Protein_1','Protein_2'],
'analysis': ['analysis_1', 'analysis_2'],
'annotation':['annotation_3', 'annotation_2'] })
以下代码可以正常工作,但我想通过使用pandas groupby,apply和iterrows函数来实现。
new_df =pd.DataFrame(columns=df.columns)
protein_id=list(df.id.unique())
for protein in protein_id:
data=df[df["id"] == protein]
if len(data[data["analysis"] =="analysis_1"]) == 0:
if len(data[data["analysis"] =="analysis_2"]) == 0:
if len(data[data["analysis"] =="analysis_3"]) == 0:
pass
else:
data2=data[data["analysis"] =="analysis_3"]
new_df = pd.concat([new_df,data2])
else:
data2=data[data["analysis"] =="analysis_2"]
new_df = pd.concat([new_df,data2])
else:
data2=data[data["analysis"] =="analysis_1"]
new_df = pd.concat([new_df,data2])
new_df
感谢任何帮助!
您可以暂时对数据框进行排序,然后为每个ID删除除一个条目之外的所有条目。看起来像这样:
df.sort_values('analysis').drop_duplicates(['id'], keep='first')
请注意,这不会更改原始数据框中的顺序。结果看起来像这样:
id analysis annotation
2 Protein_1 analysis_1 annotation_3
4 Protein_2 analysis_2 annotation_2
如果您具有返回分析优先级的函数,则可以将其与上述方法结合使用:
def prio_function(analysis):
# return a low number for a better result
# and a high number for a worse result
return int(analysis.split('_')[1]) # replace this row by your code
df_work= df.assign(_prio=df['analysis'].apply(prio_function))
df_work.sort_values('_prio').drop_duplicates(['id'], keep='first').drop(columns='_prio')
如果优先级比较简单,您还可以传递dicdicaryapply
代替函数。
本文收集自互联网,转载请注明来源。
如有侵权,请联系 [email protected] 删除。
我来说两句