【发布时间】：2013-02-13 07:04:21
【问题描述】：
所以我使用此代码在主序列中打印子序列的开始和停止位置，表示为 SOURCE。主序列由 GENE 识别。 GENE 中的一些序列有 DIRECTION 两个组成部分，+ 和 -，它们被视为唯一序列。但是，我没有意识到的是，在首先生成数据集时（通过将许多 SOURCE 序列的文件与 GENE 序列进行比对），我有多个实例存在多个 SOURCE 序列的“有效”比对针对基因序列。我需要一种方法从 SOURCE 序列中删除条目，在相同数量的 SOURCE 序列的情况下，GENE 序列中出现次数最少或 POS1 到最终 POS2 的最小范围。我在下面有一个示例输出，其中包含一个说明性示例。
这是我的 Python 代码：
import pandas
import pandas as pd
import sys
import csv
##sys.stdout = open("Sampletest2d.txt", "w")
##data = pd.read_csv('Sampletest2.txt', sep='\t')
sys.stdout = open("ExonFileTry1Part3.txt", "w")
data = pd.read_csv('ExonFileTry1.txt', sep='\t')
groups = data.groupby(['GENE', 'DIRECTION'])
fixedgroups = []
for (gene_id, strand), group in groups:
#print gene_id, strand
if strand == '+':
group['POS-1'] = group.POS1
group['POS-2'] = group.POS2
else:
group['POS-1'] = group.POS2
group['POS-2'] = group.POS1
#print group
fixedgroups.append(group)
print fixedgroups
数据集（制表符分隔）
GENE DIRECTION POS1 POS2 SOURCE
TT-1 + 1 16 A1
TT-1 + 130 289 A1
TT-1 + 353 438 A1
TT-1 + 519 580 A1
TT-1 + 665 742 A1
TT-1 + 813 864 A1
TT-1 + 931 975 A1
TT-1 + 1053 1166 A1
TT-1 + 1 16 B2
TT-1 + 130 289 B2
TT-1 + 353 438 B2
TT-1 + 519 580 B2
TT-1 + 665 742 B2
TT-1 + 813 864 B2
TT-1 + 931 975 B2
TT-1 + 1053 1161 B2
BB-2 + 3 659 C3
BB-2 + 3 640 D4
BB-2 - 1093 426 E5
BB-2 - 1093 508 F6
EE-3 + 1 95 G7
EE-3 + 155 377 G7
EE-3 + 439 513 G7
EE-3 + 577 840 G7
EE-3 + 1 95 H8
EE-3 + 155 377 H8
EE-3 + 439 513 H8
EE-3 - 840 577 I9
EE-3 - 513 439 I9
EE-3 - 377 155 I9
EE-3 - 840 577 J10
EE-3 - 513 458 J10
有时一个 GENE 有多个 SOURCE 序列，并且来自一个 SOURCE 的序列比另一个多。但是，有时来自两个不同 SOURCE 的序列数量相同，在这种情况下，我需要保留该 SOURCE 的第一个 POS1 和最后一个 POS2 之间具有最大值范围的 SOURCE。
例如，在 + DIRECTION 的 GENE TT-1 中，有两个 SOURCE 集 A1 和 B2，它们都有 8 个条目。但是，SOURCE A1 的最终 POS2 为 1166，而 B2 的最终 POS2 为 1161，因此 B2 的范围较小，应该删除。
我花了令人难以置信的时间来了解如何做我已经做过的事情，而且那是基于类似的代码开始的。我觉得我知道我想在这里做什么，但我只是不知道语法，因为我的计算机科学知识非常有限。提前感谢您的帮助！
【问题讨论】：