Python3.x 根据另一个数据帧中的位置从主数据帧中提取子序列

发布于09月26日

我想提取数据帧‘B’中第一个和最后一个位置所指示的子序列. 我想出的算法是:

找出位于A位置的B行
找到位置的相对位置(即移动位置以使其从0开始)
启动一个for循环，使用相对位置作为范围来提取子序列.

上述算法的问题在于运行时.我需要一种替代方法来编译代码，比现有的方法更快.

Desired output:个

first last sequences
  3   5  ACA
  8  12  CGGAG
105 111  ACCCCAA
115 117  TGT

Used data frames:个

import pandas as pd
A = pd.DataFrame({'first.sequence': ['AAACACCCGGAG','ACCACACCCCAAATGTGT'
                   ],'first':[1,100], 'last':[12,117]})

B = pd.DataFrame({'first': [3,8,105,115], 'last':[5,12,111,117]})

推荐答案

一种解决方案可能如下所示:

out = pd.merge_asof(B, A, on=['last'], direction='forward',
                    suffixes=('','_y'))

out.loc[:,['first','last']] = \
    out.loc[:,['first','last']].sub(out.first_y, axis=0)

out = out.assign(sequences=out.apply(lambda row: 
          row['first.sequence'][row['first']:row['last']+1], 
          axis=1)).drop(['first.sequence','first_y'], axis=1)

out.update(B)
print(out)

   first  last sequences
0      3     5       ACA
1      8    12     CGGAG
2    105   111   ACCCCAA
3    115   117       TGT

Explanation个

首先，使用df.merge_asof将B中的first值与A中的first值进行匹配.即3, 8与1匹配，105, 115与100匹配.现在我们知道哪个字符串(序列)需要拆分，也知道字符串从哪里开始，例如，从索引1或100开始，而不是从正常的0开始.
我们使用这最后一点信息来找出字符串片应该在哪里开始和结束.所以，我们做out.loc[:,['first','last']].sub(out.first_y, axis=0)个.例如，我们将3重置为2(负1)，并将105重置为5(负out.loc[:,['first','last']].sub(out.first_y, axis=0)).
现在，我们可以使用df.apply来获取每个序列的字符串片，实质上是循环遍历每一行.(如果您的切片以相同的索引开始和结束，我们可能会使用Series.str.slice.
最后，我们将结果赋给out(作为列sequences)，删除不再需要的列，然后使用df.update"重置"列first和last.