如何从groupby DataFrame给定索引中检索元素

Question

上下文：

我的数据帧包含以下列：HapID、Marker、Start_position、End_position。 对于每个HapID，我想得到： -具有最小起始位置的标记（称为leftMarker） -具有最大结束位置的标记（称为rightMarker） -间隔为差值（最大结束位置-最小起始位置）

我的问题是，既然知道了标记名的索引，如何检索它们。 我得到下面的错误，我不知道如何解决它，虽然我花了几个小时。在

这是错误消息

AttributeError: Cannot access callable attribute 'iloc' of 'SeriesGroupBy' objects, try using the 'apply' method

以下是数据

HapID   Marker  Start_position  End_position
hap_1   mk1 1107207 1107256
hap_1   mk2 1104711 1104760
hap_1   mk3 1106845  1106894
hap_2   mk4 11901413 11901462
hap_2   mk5 206031250 206031299
hap_2   mk6 11498893 11498942
hap_2   mk7 17236023 17236072
hap_2   mk8 11692209 11692258
hap_2   mk9 11691512 11691561
hap_2   mk10 11615664 11615713

这是预期的输出

^{pr2}$

代码：

import pandas as pd
data = {
'HapID':['hap_1','hap_1','hap_1','hap_2','hap_2','hap_2','hap_2','hap_2','hap_2','hap_2'],
'Marker':['mk1','mk2','mk3','mk4','mk5','mk6','mk7','mk8','mk9','mk10'],
'Start_position':[1107207,1104711,1106845,11901413,206031250,11498893,17236023,11692209,11691512,11615664],
'End_position':[1107256,1104760,1106894,11901462,206031299,11498942,17236072,11692258,11691561,11615713]}
df = pd.DataFrame(data)

haplotypes = df.groupby(df['HapID'])
posi_1 = haplotypes.Start_position.min()
posi_2 = haplotypes.End_position.max()
diff_posi = posi_2 - posi_1
a = haplotypes.Start_position.idxmin()#index at minimum Start_position
b = haplotypes.End_position.idxmax() #index at maximum End_position
#print('{} {} {}'.format(posi_1,posi_2,diff_posi))
#print('{} {}'.format(a,b)) #just to se if I'm getting the index

现在，问题是如何检索每个单倍型在这些位置的标记

leftMarker = haplotypes.Marker.iloc(a)
rightMarker = haplotypes.Marker.iloc(b)

Answer 1

我想你需要从原始数据帧中检索标记。在

leftMarker = df.loc[a,['HapID','Marker']]
rigthMarker = df.loc[b,['HapID','Marker']]

print(leftMarker)

   HapID Marker
1  hap_1    mk2
5  hap_2    mk6

print(rightMarker)

   HapID Marker
0  hap_1    mk1
4  hap_2    mk5

Answer 2

这是将函数应用于pandasgroupby的一个相当简单的例子。您应该阅读pandas docs on how to use groupby，以便更好地理解如何/何时使用此技术。在

def my_fn(df):
    mk_min = df.loc[df['Start_position'].idxmin()]
    mk_max = df.loc[df['End_position'].idxmax()]
    vals = [mk_min['Marker'], mk_max['Marker'], mk_min['Start_position'], mk_max['End_position'], mk_max['End_position'] - mk_min['Start_position']]
    idx = ['leftMarker', 'rightMarker', 'Start_position', 'End_position', 'Interval']
    return pd.Series(vals, index=idx)

df.groupby('HapID').apply(my_fn)

退货

^{pr2}$