如何识别重复并分配新的ID？

Question

我有一个DNA寡核苷酸列表，用于排序分配了许多重复序列。但是，我需要它们与要使用它们的质粒的标识符配对。

换句话说，我需要这个数据帧：

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

变成：

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

我认为类似于此的函数可能会起作用。但我不知道如何识别复制品。

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

对list使用groupby和agg：

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

输出：

"ATG"    ["Plasmid A", "Plasmid B"]
"CAG"                 ["Plasmid C"]
Name: Plasmid, dtype: object

Answer 2

您可以在.apply(list)中使用pd.groupby

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())

打印：

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

Answer 3

如果您的解析算法有效，我将使用字典结构来完成此任务。在Python中，您可以轻松地检查列表中是否存在某个项目：

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