python-3.x - pandas df : add column if doesn't exist, 将值添加到字典中的新列

Question

我是 pandas 的新手，但我正在尝试创建一个大型数据框，我在其中按序列 ID (Seq_ID) 组织有关大量序列的信息，并将有关序列的信息添加到数据框。目前 df 看起来像这样:

     Seq_ID        mol_type
0 4_cDNA_v              RNA
1 2_133+_v              RNA
2 5_BM4D_g              RNA
.                         .
.                         .
1301 4_PB_g             RNA

我想写一个函数来查看我当前的 df，source_df，如果列“Seq_source”不存在，它会添加它。然后填写“Seq_Source”列，我有一系列称为 cell_type 的键值对。我想搜索 Seq_ID 列以查看是否在 Seq_ID 中找到了任何值，如果是，则将键添加到新列“Seq_Source”的相应行中，使其如下所示:

     Seq_ID    mol_type    Seq_Source
0 4_cDNA_v          RNA            PB
1 2_133+_v          RNA          HSPC
2 5_BM4D_g          RNA          BMMC
.                     
.                     
1301 4_CD4_g        RNA          PBMC

我写了一些伪代码来帮助解释我对一种方法的想法。

cell_type = {
    'PBMC':['CD4','NK', 'CD8'],
    'HSPC': ['133+', '133+F'],
    'PB': ['cDNA', 'cDNAA', 'cDNAB', 'cDNAC'],
    'BMMC':['cDNABM', '34D_Vc','BM4_Vs', 'BM4_Vc', 'BM4n_Vs']
        }


def find_cell_source(dictionary, df, reference, new_header):
    '''
    takes in a dictionary where key corresponds to list of values.
    If new_header does not exist, the new column is created.
    If a value from key:value pair is found within any of the string entries under reference column
    in the database, key is added to reference row under new_header.
    '''

    # add new_header if does not exist
    df[new_header] = [df[new_header] if new_header not in df]

    # read rows of reference column and see if values from dict is in references
    # add key to row under new_header if it exists, pass if it doesn't

    for i in df['reference']:
        for k,v in dictionary:
            for j in v:
                if j in i:
                    df['new_header'] = k
                else:
                    pass
    return df


find_cell_source(cell_type, source_df, 'Seq_ID', 'Seq_Source')

Answer 1

您可以通过多种方式获取Seq_ID 的相关部分，在这种情况下，您似乎可以只使用.str.split，然后映射值。如果在 _ 上拆分还不够，也许可以使用 regex

d = dict((k,v) for v, x in cell_type.items() for k in x)
df['Seq_Source'] = df.Seq_ID.str.split('_', expand=True)[1].map(d)

输出:

        Seq_ID mol_type Seq_Source
0     4_cDNA_v      RNA         PB
1     2_133+_v      RNA       HSPC
2     5_BM4D_g      RNA        NaN
1301   4_CD4_g      RNA       PBMC

请注意，由于 BM4D 不在 cell_type 的任何列表中，因此它被映射到 NaN