Tengo una matriz cuadrada como esta.

            ACSM3     ACSX12    ADXM28  ...   UGT2B15      VCAN        XK
ACSM3    1.000000  0.929347  0.999914  ...  0.986433  0.999947 -0.999680
ACSX12    0.929347  1.000000  0.924428  ...  0.977350  0.925496 -0.919704
ADXM28   0.999914  0.924428  1.000000  ...  0.984196  0.999996 -0.999925
ADAM28   0.999976  0.926774  0.999981  ...  0.985275  0.999994 -0.999831
ADH1B   -0.999509 -0.917317 -0.999834  ... -0.980802 -0.999778  0.999982
ADTRP   -0.999039 -0.912273 -0.999528  ... -0.978290 -0.999438  0.999828
AEBP1    0.983312  0.846668  0.985611  ...  0.940104  0.985133 -0.987601
AKR1B10 -0.999658 -0.919371 -0.999915  ... -0.981800 -0.999874  1.000000
UBL3     0.997347  0.900002  0.998215  ...  0.971864  0.998043 -0.998870
UGT2B15  0.986433  0.977350  0.984196  ...  1.000000  0.984690 -0.981961
VCAN     0.999947  0.925496  0.999996  ...  0.984690  1.000000 -0.999887
XK      -0.999680 -0.919704 -0.999925  ... -0.981961 -0.999887  1.000000

Después de usar la función de pila, llevo los datos a la forma que quiero, pero como puede ver, hay múltiples valores para todos los datos debido a la comparación entre ellos.

dfHealty = df_healtyWithGenes.stack().reset_index()
dfHealty.columns = ['gene1', 'gene2', 'score']
dfHealty = dfHealty[dfHealty.gene1 != dfHealty.gene2]

Puedo filtrar por puntaje, pero no es una buena idea, los datos pueden estar rotos.

¿Cómo puedo filtrar por columna de genes?

gene1   gene2   score
EPB41L4B PGC    0.496713249 
PGC EPB41L4B    0.496713249 
CHGA    MT1G    0.496751983
MT1G    CHGA    0.496751983
AEBP1   FCER1G  0.497061368 
FCER1G  AEBP1   0.497061368 
ADTRP   CAPN9   0.497122603
CAPN9   ADTRP   0.497122603
FAM189A2 GLUL   0.49721763
GLUL FAM189A2 0.49721763
CA9 DUOX1   0.497233294
DUOX1   CA9 0.497233294
EDNRA   MSLN    0.497267565
MSLN    EDNRA   0.497267565
HRASLS2 LIPF    0.497581499
LIPF    HRASLS2 0.497581499
EPB41L4B    NEDD4L  0.497613643
NEDD4L  EPB41L4B    0.497613643

Necesito convertir datos como este.

gene1   gene2   score
EPB41L4B PGC    0.496713249 
CHGA    MT1G    0.496751983
AEBP1   FCER1G  0.497061368 
ADTRP   CAPN9   0.497122603
FAM189A2 GLUL   0.49721763
CA9 DUOX1   0.497233294
EDNRA   MSLN    0.497267565
4
tyasird 11 may. 2019 a las 15:50

3 respuestas

La mejor respuesta

Usando los datos proporcionados, puede eliminar los pares duplicados en los datos de esta manera

import pandas as pd

cols = ['gene1','gene2','score']
data = [['EPB41L4B', 'PGC',0.496713249], 
        ['PGC','EPB41L4B',0.496713249], 
        ['CHGA','MT1G',0.496751983],
        ['MT1G','CHGA',0.496751983],
        ['AEBP1','FCER1G',0.497061368 ],
        ['FCER1G','AEBP1',0.497061368], 
        ['ADTRP','CAPN9',0.497122603],
        ['CAPN9','ADTRP',0.497122603],
        ['FAM189A2','GLUL',0.49721763],
        ['GLUL','FAM189A2',0.49721763],
        ['CA9','DUOX1',0.497233294],
        ['DUOX1','CA9',0.497233294],
        ['EDNRA','MSLN',0.497267565],
        ['MSLN','EDNRA',0.497267565],
        ['HRASLS2','LIPF',0.497581499],
        ['LIPF','HRASLS2',0.497581499],
        ['EPB41L4B','NEDD4L',0.497613643],
        ['NEDD4L','EPB41L4B',0.497613643]]

df = pd.DataFrame(data,columns=cols)
df = df[df['gene1'] < df['gene2']]
print(df)

Que produce resultados como este

       gene1   gene2     score
0   EPB41L4B     PGC  0.496713
2       CHGA    MT1G  0.496752
4      AEBP1  FCER1G  0.497061
6      ADTRP   CAPN9  0.497123
8   FAM189A2    GLUL  0.497218
10       CA9   DUOX1  0.497233
12     EDNRA    MSLN  0.497268
14   HRASLS2    LIPF  0.497581
16  EPB41L4B  NEDD4L  0.497614
3
Matthew Barlowe 11 may. 2019 a las 13:09

Me parece que puedes tomar cada segunda fila.

print(df.iloc[::2].reset_index(drop=True))

Salida:

      gene1   gene2        score
0  EPB41L4B     PGC  0.496713249
1      CHGA    MT1G  0.496751983
2     AEBP1  FCER1G  0.497061368
3     ADTRP   CAPN9  0.497122603
4  FAM189A2    GLUL   0.49721763
5       CA9   DUOX1  0.497233294
6     EDNRA    MSLN  0.497267565
7   HRASLS2    LIPF  0.497581499
8  EPB41L4B  NEDD4L  0.497613643

También puede usar frozenset para filtrar duplicados:

without_dupes = {frozenset([first, second]): score for first, second, score in df.values}.items()

result = pd.DataFrame([(*k, v) for k, v in without_dupes], columns=['gene1', 'gene2', 'score'])
print(result)

Salida:

     gene1     gene2        score
0       PGC  EPB41L4B  0.496713249
1      CHGA      MT1G  0.496751983
2    FCER1G     AEBP1  0.497061368
3     ADTRP     CAPN9  0.497122603
4  FAM189A2      GLUL   0.49721763
5     DUOX1       CA9  0.497233294
6     EDNRA      MSLN  0.497267565
7   HRASLS2      LIPF  0.497581499
8    NEDD4L  EPB41L4B  0.497613643
0
gmds 11 may. 2019 a las 13:11

Creo que puedes hacer así. Aquí hay un ejemplo mínimo de lo que está tratando de hacer:

import pandas as pd
import numpy as np

# sample data frame
df = pd.DataFrame({'col1': ['a','b'], 'col2':['b','a'], 'col3':[1,1]})

   col1 col2  col3
0    a    b     1
1    b    a     1

# take first two columns from where to remove duplicates
df2 = df.iloc[:,:2]

# sort the columns based on their corresponding values and create a new df 
df3 = pd.DataFrame(np.sort(df2.values), axis=1), df2.index, df2.columns)

# finally drop duplicates
result = pd.concat([df3, df['col3']], axis=1).drop_duplicates(subset=['col1','col2'])

  col1 col2  col3
0    a    b     1
0
YOLO 11 may. 2019 a las 14:23