1

我有一个名为 snp.txt 的文件，如下所示：

chrom   chromStart  chromEnd    name    strand     observed     
chr1    259         260      rs72477211  +   A/G    single  
chr1    433         433      rs56289060  +   -/C    insertion   
chr1    491         492      rs55998931  +   C/T    single  
chr1    518         519      rs62636508  +   C/G    single  
chr1    582         583      rs58108140  +   A/G    single

我有第二个文件gene.txt

chrom   chromStart  chromEnd    tf_title    tf_score
chr1    200         270         NFKB1       123
chr1    420         440         IRF4        234
chr1    488         550         BCL3        231
chr1    513         579         TCF12       12
chr1    582         583         BAD170      89

我想要的最终输出是：output.txt

chrom   chromStart  chromEnd    name    strand  observed    tf_title    tf_score
chr1    259         260      rs72477211    +    A/G         NFKB1       123
chr1    433         433      rs56289060    +    -/C         IRF4        234
chr1    491         492      rs55998931    +    C/T         BCL3        231
chr1    518         519      rs62636508    +    C/G         TCF12       12
chr1    582         583      rs58108140    +    A/G         BAD170      89

我希望能够做的关键事情是查看gene.txt 并检查snp.txt 的名称列中的rsnumber 是否在由chrom、chromStart 和chromEnd 建立的同一区域中。

例如：

在 snp.txt 的第一行中，rsid rs72477211 位于 chr1 的位置 259 和 260 之间。

现在在gene.txt 中，NFKB1 也在chr1 上，但在200 和270 之间，这意味着rsid rs72477211 位于NFKB1 区域，所以在输出txt 中注明了这一点。

我无法在使用 pandas 合并功能时做到这一点，我什至不知道从哪里开始。文件非常大，因此循环效率非常低。有人可以帮忙吗？谢谢！

4

1 回答 1

0

如果它适合内存，您可以使用仅基于列merge的方法的两个数据帧，然后通过执行范围包含数学过滤您的结果：outerchrom

df = snp.merge(gene, how='outer', on='chrom')
df = df[(df.chromStart_x>=df.chromStart_y) & (df.chromEnd_x<=df.chromEnd_y)]

您最终可以删除重复的列：

del test['chromStart_y']
del test['chromEnd_y']
于 2013-07-03T20:33:55.680 回答