如何识别重复项并分配新的ID？

Question

我有一份要订购的DNA寡核苷酸列表，这些寡核苷酸具有重复序列。但是，我需要将它们与标识符搭配使用，以用于它们的质粒。

换句话说，我需要这个数据框：

  Oligo_sequence   Plasmid
0 "ATG"           "Plasmid A"
1 "ATG"           "Plasmid B" 
2 "CAG"           "Plasmid C" 

成为：

  Oligo_sequence    Plasmid
0 "ATG"           ["Plasmid A","Plasmid B"]
1 "CAG"           ["Plasmid C"] 

我认为类似的功能可能会起作用。但是我不知道如何识别重复项。

for index, row in df.iterrows():
    plasmidlist = [row[1]]
    if duplicate == True: #Is their a dublicate function I can use? 
        plasmidlist.append(duplicaterow[1])
        drop(dublicaterow)

    df.at[row,'Plasmid']= plasmidlist

Answer 1

您可以将pd.groupby与pd.groupby一起使用：

.apply(list)

打印：

df = pd.DataFrame({'Oligo_sequence':['ATG', 'ATG', 'CAG'], 'Plasmid':['Plasmid A', 'Plasmid B', 'Plasmid C']})

print(df.groupby('Oligo_sequence')['Plasmid'].apply(list).reset_index())

Answer 2

如果您的解析算法有效，我将使用字典结构来完成此任务。您可以使用Python轻松检查列表中是否存在项目：

  Oligo_sequence                 Plasmid
0            ATG  [Plasmid A, Plasmid B]
1            CAG             [Plasmid C]

Answer 3

如果您不太喜欢列表，可以在Pandas中使用字符串函数：

     for each item in parent_list:
       if item is in plasmid_list:
          # do thing

https://pandas.pydata.org/pandas-docs/stable/reference/api/pandas.Series.str.cat.html

Answer 4

将

Oligo_sequence=['ATG','ATG','CAG']
Plasmid = ['Plasmid A','Plasmid B', 'Plasmid C']
data = {'Oligo_sequence':Oligo_sequence,
        'Plasmid':Plasmid}

df = pd.DataFrame(data)

df


    Oligo_sequence  Plasmid
0       ATG        Plasmid A
1       ATG        Plasmid B
2       CAG        Plasmid C

(df
 .groupby('Oligo_sequence')
 .agg(lambda x: x['Plasmid'].str.cat(sep= ','))
 .reset_index()
)

    Oligo_sequence  Plasmid
 0      ATG        Plasmid A,Plasmid B
 1      CAG        Plasmid C

和groupby与列表一起使用：

agg

输出：

df.groupby('Oligo_sequence')['Plasmid'].agg(list)