大熊猫群按条件计数

Question

示例数据

鉴于以下数据框架：

| feature | gene  |  target  | pos | 
| 1_1_1   | NRAS  |  AATTGG  | 60  |
| 1_1_1   | NRAS  |  TTGGCC  | 6   |
| 1_1_1   | NRAS  |  AATTGG  | 20  |
| 1_1_1   | KRAS  |  GGGGTT  |  0  |
| 1_1_1   | KRAS  |  GGGGTT  |  0  |
| 1_1_1   | KRAS  |  GGGGTT  |  0  |
| 1_1_2   | NRAS  |  CCTTAA  | 2   |
| 1_1_2   | NRAS  |  GGAATT  | 8   |
| 1_1_2   | NRAS  |  AATTGG  | 60  |

问题所在

对于每个特性，我想计算每个基因中有多少个目标，并遵循以下规则：

• 如果一个目标只出现在每一个基因的一个位置(pos列)，那么每次看到它它都会得到1的计数。
• 如果同一目标出现在每个基因的多个位置上，它就会得到一个计数(在找到的位置/总位置上计数)。
• 汇总每个特征的每个基因的总数

我至今所做的一切

matches.groupby(["FeatureID", "gene"]).size().reset_index()

matches['multi_mapped'] = np.where(matches.groupby(["FeatureID", "gene", "target"]).pos.transform('nunique') > 1, "T", '')

这给了我一个数据，其中出现在多个位置的目标被标记为真。现在我只需要弄清楚如何使计数正常化。

期望输出

| feature | gene  |  count
| 1_1_1   | NRAS  |   2
| 1_1_1   | KRAS  |   1
| 1_1_2   | NRAS  |   3

因此，在上面的1_1_1 NRAS示例中，AATTGG位于60和20位置，每个位置都将得到一个.5计数。因为TTGGCC只在一个位置找到一次，所以它的计数为1，这就使得总计数为2。

如果在相同的位置上找到了3次1_1_1 NRAS TTGGCC，那么每一次都会得到1的计数，总共3+ .5 + .5 = 4。

解决方案需要检查相同的目标出现在不同的位置，然后相应地调整计数，这是我遇到困难的部分。我的最终目标是选择每组计数最高的基因。

Answer 1

好吧，我想出来了。如果有更有效的方法来做这件事，我会全神贯注的！

    # flag targets that are multi-mapped and add flag as new column
    matches['multi_mapped'] = np.where(matches.groupby(["FeatureID", "gene", "target"]).pos.transform('nunique') > 1, "T", '')

    # separate multi and non multi mapped reads using flag
    non = matches[matches["multi_mapped"] != "T"]\
        .drop("multi_mapped", axis=1)
    multi = matches[matches["multi_mapped"] == "T"]\
        .drop("multi_mapped", axis=1)

    # add counts to non multi mapped reads
    non = non.groupby(["FeatureID", "gene", "target"])\
        .count().reset_index().rename(columns={"pos":"count"})

    # add counts to multi-mapped reads with normaliztion 
    multi["count"] = multi.groupby(["FeatureID", "gene", "target"])\
          .transform(lambda x: 1/x.count())
    multi.drop("pos", axis=1, inplace=True)

    # join the multi and non back together
    counts = pd.concat([multi, non], axis=0)

Answer 2

我不太清楚为什么第一排的计数应该是2。你能试着玩这个游戏吗：

import pandas as pd
feature = ["1_1_1"]*6 +["1_1_2"]*3
gene = ["NRAS"]*3+["KRAS"]*3+["NRAS"]*3
target = ["AATTGG","TTGGCC", "AATTGG"]+ ["GGGGTT"]*3 + ["CCTTAA", "GGGGTT", "AATTGG"]
pos = [60,6,20,0,0,0,2,8,60]
df = pd.DataFrame({"feature":feature,
                   "gene":gene,
                   "target":target,
                   "pos":pos})

df.groupby(["feature", "gene"])\
  .apply(lambda x:len(x.drop_duplicates(["target", "pos"])))