这是我第一次使用熊猫,我真的不知道如何处理我的问题。你知道吗
事实上,我有两个数据帧:
import pandas
blast=pandas.read_table("blast")
cluster=pandas.read_table("cluster")
以下是其内容的示例:
>>> cluster
cluster_name seq_names
0 1 g1.t1_0035
1 1 g1.t1_0035_0042
2 119365 g1.t1_0042
3 90273 g1.t1_0042_0035
4 71567 g10.t1_0035
5 37976 g10.t1_0035_0042
6 22560 g10.t1_0042
7 90280 g10.t1_0042_0035
8 82698 g100.t1_0035
9 47392 g100.t1_0035_0042
10 28484 g100.t1_0042
11 22580 g100.t1_0042_0035
12 19474 g1000.t1_0035
13 5770 g1000.t1_0035_0042
14 29708 g1000.t1_0042
15 99776 g1000.t1_0042_0035
16 6283 g10000.t1_0035
17 39828 g10000.t1_0035_0042
18 25383 g10000.t1_0042
19 106614 g10000.t1_0042_0035
20 6285 g10001.t1_0035
21 13866 g10001.t1_0035_0042
22 121157 g10001.t1_0042
23 106615 g10001.t1_0042_0035
24 6286 g10002.t1_0035
25 113 g10002.t1_0035_0042
26 25397 g10002.t1_0042
27 106616 g10002.t1_0042_0035
28 4643 g10003.t1_0035
29 13868 g10003.t1_0035_0042
... ... ...
以及
[78793 rows x 2 columns]
>>> blast
qseqid sseqid pident length mismatch \
0 g1.t1_0035_0042 g1.t1_0035_0042 100.0 286 0
1 g1.t1_0035_0042 g1.t1_0035 100.0 257 0
2 g1.t1_0035_0042 g9307.t1_0035 26.9 134 65
3 g2.t1_0035_0042 g2.t1_0035_0042 100.0 445 0
4 g2.t1_0035_0042 g2.t1_0035 95.8 451 3
5 g2.t1_0035_0042 g24520.t1_0042_0035 61.1 429 137
6 g2.t1_0035_0042 g9924.t1_0042 61.1 429 137
7 g2.t1_0035_0042 g1838.t1_0035 86.2 29 4
8 g3.t1_0035_0042 g3.t1_0035_0042 100.0 719 0
9 g3.t1_0035_0042 g3.t1_0035 84.7 753 62
10 g4.t1_0035_0042 g4.t1_0035_0042 100.0 242 0
11 g4.t1_0035_0042 g3.t1_0035 98.8 161 2
12 g5.t1_0035_0042 g5.t1_0035_0042 100.0 291 0
13 g5.t1_0035_0042 g3.t1_0035 93.1 291 0
14 g6.t1_0035_0042 g6.t1_0035_0042 100.0 152 0
15 g6.t1_0035_0042 g4.t1_0035 100.0 152 0
16 g7.t1_0035_0042 g7.t1_0035_0042 100.0 216 0
17 g7.t1_0035_0042 g5.t1_0035 98.1 160 3
18 g7.t1_0035_0042 g11143.t1_0042 46.5 230 99
19 g7.t1_0035_0042 g27537.t1_0042_0035 40.8 233 111
20 g3778.t1_0035_0042 g3778.t1_0035_0042 100.0 86 0
21 g3778.t1_0035_0042 g6174.t1_0035 98.0 51 1
22 g3778.t1_0035_0042 g20037.t1_0035_0042 100.0 50 0
23 g3778.t1_0035_0042 g37190.t1_0035 100.0 50 0
24 g3778.t1_0035_0042 g15112.t1_0042_0035 66.0 53 18
25 g3778.t1_0035_0042 g6061.t1_0042 66.0 53 18
26 g18109.t1_0035_0042 g18109.t1_0035_0042 100.0 86 0
27 g18109.t1_0035_0042 g33071.t1_0035 100.0 81 0
28 g18109.t1_0035_0042 g32810.t1_0035 96.4 83 3
29 g18109.t1_0035_0042 g17982.t1_0035_0042 98.6 72 1
... ... ... ... ... ...
如果您继续关注集群数据库,那么第一列对应于集群ID,在这些集群中有几个序列ID。
我需要做的是首先拆分我的所有集群(在R中是这样:liste=split(x = data$V2, f = data$V1)
)
然后,创建一个函数来显示每个簇中最相似的paires序列。 举个例子:
假设我有两个集群(dataframe集群):
cluster 1:
seq1
seq2
seq3
seq4
cluster 2:
seq5
seq6
seq7
。。。你知道吗
在blast数据帧的第3列中,所有序列之间存在相似性(所有对所有),因此类似于:
seq1 vs seq1 100
seq1 vs seq2 90
seq1 vs seq3 56
seq1 vs seq4 49
seq1 vs seq5 40
....
seq2 vs seq3 70
seq2 vs seq4 98
...
seq5 vs seq5 100
seq5 vs seq6 89
seq5 vs seq7 60
seq7 vs seq7 46
seq7 vs seq7 100
seq6 vs seq6 100
我需要的是:
cluster 1 (best paired sequences):
seq 1 vs seq 2
cluster2 (best paired sequences):
seq 5 vs seq6
。。。你知道吗
如你所见,我不想考虑序列本身
如果有人能给我一些线索那就太好了。你知道吗
谢谢大家。你知道吗
首先,我假设blast中没有来自两个不同簇的序列的配对。换句话说:在这个解决方案中,配对的集群ID将只由两个序列ID中的一个来计算。你知道吗
将群集信息和配对信息包含到一个数据帧中:
数据的配对只能包含不同的配对:
要忽略seqid中具有相同子字符串的配对,最可读的方法是添加包含以下数据的数据列:
现在,可以用与上面相同的seqid相同的方法过滤相同的spec值:
最后,数据应按群集ID分组,在每个组中,pident的最大值是:
这里唯一的缺点-除了上面提到的假设-是,如果有几个完全相等的最大值,其中只有一个将被考虑在内。你知道吗
注意:如果不希望spec列的类型为string,可以轻松地将它们转换为整数:
这将首先基于sseqid、然后基于qseqid合并数据帧,然后返回结果。任何100%匹配的都会被过滤掉。让我知道这是否有效。然后可以按集群名称排序。你知道吗
相关问题 更多 >
编程相关推荐