合并具有相同值的两列的数据

Question

我有一个CSV文件，其中df1中的column1（ensembl_gene_id）和df2中的column1（gene1）在几行中具有相同的值。我想合并具有相同值的df1（column1）和df2（column2）的数据。 我尝试了下面给出的脚本（我意识到代码有太多错误）：

import os
import pandas as pd
df=pd.DataFrame()
for item in os.listdir('./'):
    if item.endswith('.csv'):
        df1 = pd.read_csv('gene1-protein.csv')
        df2 = pd.read_csv('gene1.csv')
        df = pd.Dataframe.merge(df1, df2, on=['ensembl_gene_id', 'gene1']
print(df)

我的文件看起来像-

 df1
ensembl_gene_id hgnc_symbol gene_biotype
ENSG00000000419 DPM1        protein_coding
ENSG00000000938 FGR         protein_coding
ENSG00000000938 FGR         protein_coding
ENSG00000001084 GCLC        protein_coding

df2
gene1
ENSG00000000419.11
ENSG00000000938.11
ENSG00000001084.9
ENSG00000001084.9

对于具有相同值的df1（column1）和df2（column2），如何将数据合并到单独的csv文件中

我的预期结果应该是-

gene1              ensembl_gene_id  hgnc_symbol gene_biotype
ENSG00000000419.11 ENSG00000000419  DPM1        protein_coding
ENSG00000000938.11 ENSG00000000938  FGR         protein_coding
ENSG00000000938.11 ENSG00000000938  FGR         protein_coding
ENSG00000001084.9  ENSG00000001084  GCLC        protein_coding

Answer 1

好的，如果你真的需要保留你的复制品，那你可以这样做。 （假设df2中点后的值对于给定的ensembl_基因_id始终相同）

#   - just to reproduce the dataframes
import pandas as pd
df1_s = "ensembl_gene_id hgnc_symbol gene_biotype\n\
ENSG00000000419 DPM1        protein_coding\n\
ENSG00000000938 FGR         protein_coding\n\
ENSG00000000938 FGR         protein_coding\n\
ENSG00000001084 GCLC        protein_coding"

df2_s = "gene1\n\
ENSG00000000419.11\n\
ENSG00000000938.11\n\
ENSG00000001084.9\n\
ENSG00000001084.9"

df1 = pd.DataFrame([i.split() for i in df1_s.split("\n")])
df1.columns = df1.iloc[0]
df1.drop(0, inplace=True)
df1.set_index("ensembl_gene_id", inplace=True)

df2 = pd.DataFrame([i.split() for i in df2_s.split("\n")])
df2.columns = df2.iloc[0]
df2.drop(0, inplace=True)

#                         -


# make the index of df2 similar to df1
df2.set_index(df2.gene1.str.split(".").str[0], inplace=True)

# append the values 
# (you need to drop duplicates since "same-index-values" are propagated automatically)
df1["gene1"] = df2["gene1"].drop_duplicates()

print(df1)
>>>                 hgnc_symbol    gene_biotype               gene1
>>> ensembl_gene_id                                                
>>> ENSG00000000419        DPM1  protein_coding  ENSG00000000419.11
>>> ENSG00000000938         FGR  protein_coding  ENSG00000000938.11
>>> ENSG00000000938         FGR  protein_coding  ENSG00000000938.11
>>> ENSG00000001084        GCLC  protein_coding   ENSG00000001084.9