python - 将值列表添加到行中，然后将数据帧转换为长格式

Question

我有一个数据框，其中索引是基因组位置，值是 p 值:

import pandas as pd
from StringIO import StringIO
from collections import defaultdict

data = """Pos   MedialIIvsD  LateralIIvsD  MedialP02IIvsD  MedialP09IIvsD
chr1_-_12200      0.557431      0.066554        0.738343        0.029935
chr1_-_12600      0.737887      0.069167        0.829568        0.409495
chr1_-_48400      0.349833      0.600912        0.964103        0.765195
chr1_-_172800     0.729035      0.035198        0.866111        0.385711"""

df = pd.read_csv(StringIO(data), sep='\s+', index_col=False, 
                 header=False)

此外，我有一个将不同基因组位置映射到基因的字典:

pos_to_gene = defaultdict(list, {"chr1_-_12200": ["GENE1"],
                                 "chr1_-_12600": ["GENE1", "GENE2"],
                                 "chr1_-_172800": ["GENE3"]})

我想要实现的是将 Gene 添加为该数据框中的一列。这对我来说并不简单，因为一个基因组位置可能有多个基因:

pd.Series(df.index.values).apply(lambda pos: pos_to_gene[pos])
0           [GENE1]
1    [GENE1, GENE2]
2                []
3           [GENE3]
dtype: object

如何实现这样的长格式输出数据帧？

Gene   Pos   MedialIIvsD  LateralIIvsD  MedialP02IIvsD  MedialP09IIvsD
GENE1  chr1_-_12200      0.557431      0.066554        0.738343        0.029935
GENE1  chr1_-_12600      0.737887      0.069167        0.829568        0.409495
GENE2  chr1_-_12600      0.737887      0.069167        0.829568        0.409495
NaN    chr1_-_48400      0.349833      0.600912        0.964103        0.765195
GENE3  chr1_-_172800     0.729035      0.035198        0.866111        0.385711

Answer 1

这里有一个技巧可以使用 pd.Series(1, index=...) 并让 pandas 对齐:

In [11]: s = df["Pos"].apply(lambda x: pd.Series(1, pos_to_gene[x])).stack(0)

In [12]: s
Out[12]:
0  GENE1    1
1  GENE1    1
   GENE2    1
3  GENE3    1
dtype: float64

您可以重置索引，然后简单地加入:

In [13]: s.index.names = [None, "Gene"]

In [14]: gene = s.reset_index("Gene")[["Gene"]]

In [15]: gene
Out[15]:
    Gene
0  GENE1
1  GENE1
1  GENE2
3  GENE3

In [16]: gene.join(df)
Out[16]:
    Gene            Pos  MedialIIvsD  LateralIIvsD  MedialP02IIvsD  MedialP09IIvsD
0  GENE1   chr1_-_12200     0.557431      0.066554        0.738343        0.029935
1  GENE1   chr1_-_12600     0.737887      0.069167        0.829568        0.409495
1  GENE2   chr1_-_12600     0.737887      0.069167        0.829568        0.409495
3  GENE3  chr1_-_172800     0.729035      0.035198        0.866111        0.385711

如果您想包含 NaN 行(这不在您的答案中)，则外连接:

In [17]: gene.join(df, how="outer")
Out[17]:
    Gene            Pos  MedialIIvsD  LateralIIvsD  MedialP02IIvsD  MedialP09IIvsD
0  GENE1   chr1_-_12200     0.557431      0.066554        0.738343        0.029935
1  GENE1   chr1_-_12600     0.737887      0.069167        0.829568        0.409495
1  GENE2   chr1_-_12600     0.737887      0.069167        0.829568        0.409495
2    NaN   chr1_-_48400     0.349833      0.600912        0.964103        0.765195
3  GENE3  chr1_-_172800     0.729035      0.035198        0.866111        0.385711

<小时/>

作为替代方案，您可以在纯 Python 中创建 gene(而不是使用 apply):

inds, gens = [], []
for i, p in df["Pos"].iteritems():
    for g in pos_to_gene[p]:
        inds.append(i)
        gens.append(g)
gene = pd.Series(gens, inds)