将dataframe与类似于"in“操作符的方法合并

Question

我想合并两个数据流。其中之一是“命中”数据，其中我有许多蛋白质ids。第二种是数据库数据，它包含所有已知的蛋白质及其功能。见下面的例子。

目标是将我的蛋白质命中与数据库dataframe中的相应行关联起来。更复杂的是，我的一些点击在一行中包含多个蛋白质(下面是Protein_3A；Protein_B )。是否有一种方法可以使用在操作中合并这些数据帧，以便将蛋白质3的行匹配，如下面的df所示，尽管数据库数据中只存在一个子类型(Protein_3B)？

示例启动dataframes

 hit_df = pd.DataFrame({"Hits": ["Protein_1", "Protein_2", "Protein_3A; Protein_3B", "Protein_8", "Protein_5"]})
        
 database_df = pd.DataFrame({"Proteins": ["Protein_1", "Protein_2", "Protein_3B", "Protein_4", "Protein_9", "Protein10"],"Function": ["FuncX", "FuncY", "FuncZ", "Unknown", "Unkwown", "FuncA"]})

期望的结果数据

matched_results_df = pd.DataFrame({"Hits":["Protein_1", "Protein_2", "Protein_3B"], "Function":["FuncX", "FuncY", "FuncZ"]})

Answer 1

首先，根据新行上的;符号拆分每个表达式。

hit_df= hit_df["Hits"].str.split("; ", expand = False).explode().to_frame()
print(hit_df) 
    Hits
0   Protein_1
1   Protein_2
2   Protein_3A
2   Protein_3B
3   Protein_8
4   Protein_5

然后使用isin函数，只得到匹配值。

matched_results_df = database_df[database_df['Proteins'].isin(hit_df['Hits'])]