Pandas: 解析两个条件问题

Question

我有一个名为 transcripts 的数据框和一个名为 genes 的 numpy 数组。 genes 只是 transcripts 的 geneID 列的唯一值。对于 genes 的每个值，我想找到最长的转录本（transcripts 中的 transcriptLength 列），并从 transcripts 数据框中删除所有其他值。我想我会使用下面的代码然后循环 genes.

#subset transcripts, leaving only rows with id of genes[20000]
x=transcripts.loc[(transcripts['geneID'] == genes[20000])].copy()
#Find longest transcript    
y = x.transcriptLength.max()
#subset transcripts df to remove all transcripts that are shorter for that gene
z=transcripts.loc[(transcripts['geneID'] != genes[20000]) & (transcripts['transcriptLength'] != y)].copy()

但是，出于某种原因，此代码删除了所有带有 geneID 的成绩单。我以前像这样子集（并查看了其他类似的堆栈问题）并且我的代码似乎是正确的所以我无法理解问题是什么。这里有什么遗漏吗？

仅供参考 geneID 列是字符串，而 transcriptLength 列是整数。这是 transcripts 的第一行：

geneID  transcriptID    transcriptLength
0   ENSPTRG00000042638  ENSPTRT00000076395  71
1   ENSPTRG00000042646  ENSPTRT00000076407  949
2   ENSPTRG00000042654  ENSPTRT00000076381  69
3   ENSPTRG00000042645  ENSPTRT00000076409  1558
4   ENSPTRG00000042644  ENSPTRT00000076406  75

编辑：这是一个玩具示例，我们试图找到基因 g2 的最长转录本并删除任何较短的转录本：

#Create dataframe (akin to transcripts above)
d = {'transcriptID' : pd.Series(['t1', 't2', 't3', 't4'], index=['a', 'b', 'c', 'd']), 
     'geneID' : pd.Series(['g1', 'g2', 'g3', 'g2'], index=['a', 'b', 'c', 'd']),
    'transcriptLength' : pd.Series([212, 715, 213, 984], index=['a', 'b', 'c', 'd'])}
df = pd.DataFrame(d)

#Subset df to include only values where geneID = g2
x=df.loc[(df['geneID'] == 'g2')].copy()
#Find max transcriptLength
y = x.transcriptLength.max()
#Subset main df to remove all g2 values except the maximum one
z=df.loc[(df['geneID'] != 'g2') & (df['transcriptLength'] != y)].copy()

这输出：

    geneID  transcriptID    transcriptLength
a   g1  t1  212
c   g3  t3  213

它已删除所有 geneID 行 g2。它只应该删除行 b（它具有所有 g2 geneID 中的最低值）。 d 行也已删除，这是不正确的。

Answer 1

您需要 z=df.loc[(df['geneID'] != 'g2') | (df['transcriptLength'] == y)].copy()，即您想要 'or' 而不是 'and'。所以 g2 之外的任何东西，你保留，如果它在 g2 中，你不希望它有 transcriptLength y。正如目前所写，你拒绝任何东西，除非它不在 g2 中并且没有那个 transcriptLength。

Answer 2

您的布尔逻辑不正确。您可以将其更改为：

z=df.loc[~((df['geneID'] == 'g2') & (df['transcriptLength'] != y))].copy()

其中 ~ 是 not 运算符。此逻辑表示丢弃 geneID == g2 和 transcriptLength != y.

的所有行

您希望在以下两种情况下保留行：

(df['geneID'] == 'g2') & (df['transcriptLength'] == y)
df['geneID'] != 'g2'

您编写的代码消除了 df['geneID'] == 'g2'.

的所有行

如果你还不清楚，试着写出真值表。

Pandas: 解析两个条件问题

Pandas: Parsing with two conditions issue

python

conditional

pandas