基于多列信息的数据框的条件转换、聚合/分组

Question

假设我的数据框如下所示，

df.head()
 col1   col2    col3    start   end gs
chr1    HAS GEN 11869   14409   DDX
chr1    HAS TRANS   11869   14409   Tp1
chr1    HAS EX  11869   12227   Tp2
chr1    HAS EX  12613   12721   Tp3
chr1    HAS EX  13221   14409   Tp4

而我想将上面的数据框或组通过上面的数据框转换为，

df_converted.head()
gs  chr      strt   end           ex_start           ex_end 
DDX chr1    11869   14409   11869, 12613,13221  12227,12721,14409   

根据col3、start 和end 列的信息，转换后的数据框应该有两个额外的列ex_start 和ex_end。因此，如果col3 等于EX，则生成ex_start 和ex_end 列。但是，保留gs 列的第一个值。

我尝试制作列表并将它们连接在一起，但是，我没有通过这个，这是我尝试过的。

df.query('col3 == "EX"').groupby('gs').agg({'start': list})
gs  start
NA  [11869, 12613,13221] 

但是，上面的一个班轮正在生成带有一列列表的数据帧 在gs 中使用NA。不是第一个值。

逻辑：

1. 如果col3 等于EX，则生成ex_start 并使用来自start 的值作为逗号分隔的列表。

   1. 因此，如果col3 等于EX，则生成第二个ex_end 并使用来自end 的值作为逗号分隔的列表。

   2. 始终取gs 列的第一个值

感谢任何帮助！

Answer 1

好的，下面的代码将：

• 当gs 列有值时开始一个新的组
• 将start 和end 列的值连接到每个组领导在col3 列中具有'EX' 的行以构建新列

代码：

df1 = df.loc[~(df['gs'].isna()), ['gs', 'col2', 'start', 'end']].rename_axis({'col2': 'chr'}, axis=1)
df.loc[~(df['gs'].isna()), 'ix'] = df.loc[~(df['gs'].isna())].index
df['ix'].ffill(inplace=True)
df2 = df.loc[df['col3']=='EX', ['ix', 'start', 'end']].groupby(['ix']).agg(
        lambda x: ','.join([str(y) for y in x]))
df2.columns= ['ex_start', 'ex_end']
result = df1.join(df2)

结果数据框符合预期：

    gs  chr  start    end           ex_start             ex_end
0  DDX  HAS  11869  14409  11869,12613,13221  12227,12721,14409