如何在 panda DataFrame 中使用多个索引对字符串进行切片/切碎答案

【问题标题】：How to slice/chop a string using multiple indexes in a panda DataFrame如何在 panda DataFrame 中使用多个索引对字符串进行切片/切碎
【发布时间】：2021-03-02 21:53:54
【问题描述】：

我需要一些关于以下问题的建议：我有一个如下所示的 DataFrame：

   ID                   SEQ LEN BEG_GAP END_GAP  
0  A1        AABBCCDDEEFFGG  14       2       4  
1  A1        AABBCCDDEEFFGG  14      10      12
2  B1        YYUUUUAAAAMMNN  14       4       6
3  B1        YYUUUUAAAAMMNN  14       8      12
4  C1  LLKKHHUUTTYYYYYYYYAA  20       7       9
5  C1  LLKKHHUUTTYYYYYYYYAA  20      12      15
6  C1  LLKKHHUUTTYYYYYYYYAA  20      17      18

我需要得到的是SEQ，它在不同的BEG_GAP 和END_GAP 之间分开。对于只有一对间隙的序列，我已经解决了（感谢之前的问题），但在这里它们有多个。

序列应该是这样的：

  ID                   SEQ 
0 A1       AA---CDDEE---GG  
1 B1       YYUU---A-----NN  
2 C1  LLKKHHU---YY----Y--A

或者在分解的 DF 中：

  ID Seq_slice
0 A1        AA
1 A1     CDDEE  
2 A1        GG
3 B1      YYUU
4 B1         A   
5 B1        NN
6 C1   LLKKHHU
7 C1        YY
8 C1         Y
9 C1         A

目前，我正在使用一段代码（感谢之前的问题），该代码仅在存在一个差距时才有效，它看起来像这样：

import pandas as pd

df = pd.read_csv("..\path_to_the_csv.csv")


df["BEG_GAP"] = df["BEG_GAP"].astype(int)
df["END_GAP"]= df["END_GAP"].astype(int)

df['SEQ'] = df.apply(lambda x: [x.SEQ[:x.BEG_GAP], x.SEQ[x.END_GAP+1:]], axis=1)

output = df.explode('SEQ').query('SEQ!=""')

但这有一个问题，它会生成一堆实际上并不存在的序列，因为它们实际上中间还有另一个间隙。即它会产生什么：

  ID   Seq_slice
0 A1          AA
1 A1    CDDEEFFG #<- this one shouldn't exist! Because there's another gap in 10-12
2 A1  AABBCCDDEE #<- Also, this one shouldn't exist, it's missing the previous gap.
3 A1          GG

以此类推，还有其他序列。如您所见，有些切片没有生成，有些切片是错误的，因为我不知道如何告诉代码在分析序列时记住所有间隙。

感谢所有建议，希望我清楚！

【问题讨论】：

标签： python python-3.x pandas string dataframe

【解决方案1】：

让我们尝试定义一个函数和apply：

def truncate(data):
    seq = data.SEQ.iloc[0]
    ll = data.LEN.iloc[0]
    return [seq[x:y] for x,y in zip([0]+list(data.END_GAP),
                                    list(data.BEG_GAP)+[ll])]

(df.groupby('ID').apply(truncate)
   .explode().reset_index(name='Seq_slice')
)

输出：

   ID Seq_slice
0  A1        AA
1  A1    CCDDEE
2  A1        GG
3  B1      YYUU
4  B1        AA
5  B1        NN
6  C1   LLKKHHU
7  C1       TYY
8  C1        YY
9  C1        AA

【讨论】：

【解决方案2】：

一行：

df.groupby('ID').agg({'BEG_GAP': list, 'END_GAP': list, 'SEQ': max, 'LEN': max}).apply(lambda x: [x['SEQ'][b: e] for b, e in zip([0] + x['END_GAP'], x['BEG_GAP'] + [x['LEN']])], axis=1).explode()

ID
A1         AA
A1     CCDDEE
A1         GG
B1       YYUU
B1         AA
B1         NN
C1    LLKKHHU
C1        TYY
C1         YY
C1         AA

【讨论】：