小编Tim*_*ths的帖子

首先,对不起,如果这有点长,但我想完整地描述我遇到的问题以及我已经尝试过的问题.

我试图在多个条件下将两个数据帧对象连接(合并)在一起.如果要满足的条件都是"等于"运算符,我知道如何做到这一点,但是,我需要使用的不仅仅是更多.

数据框代表遗传信息:一个是基因组中的突变列表(称为SNP),另一个是基因在人类基因组上的位置信息.对它们执行df.head()会返回以下内容:

SNP DataFrame(snp_df):

   chromosome        SNP      BP
0           1  rs3094315  752566
1           1  rs3131972  752721
2           1  rs2073814  753474
3           1  rs3115859  754503
4           1  rs3131956  758144

这显示了SNP参考ID及其位置.'BP'代表'Base-Pair'位置.

Gene DataFrame(gene_df):

   chromosome  chr_start  chr_stop        feature_id
0           1      10954     11507  GeneID:100506145
1           1      12190     13639  GeneID:100652771
2           1      14362     29370     GeneID:653635
3           1      30366     30503  GeneID:100302278
4           1      34611     36081     GeneID:645520

该数据框显示了所有感兴趣的基因的位置.

我想知道的是所有属于基因组中基因区域的SNP,并丢弃那些在这些区域之外的SNP.

如果我想基于多个(等于)条件将两个数据帧合并在一起,我会做类似以下的事情:

merged_df = pd.merge(snp_df, gene_df, on=['chromosome', 'other_columns'])

然而,在这种情况下 - 我需要找到染色体值与Gene数据帧中的那些匹配的SNP,并且BP值落在'chr_start'和'chr_stop'之间.这种挑战的原因是这些数据帧非常大.在此当前数据集中,snp_df具有6795021行,并且gene_df具有34362.

我试图通过分别观察染色体或基因来解决这个问题.由于未使用性染色体,因此有22种不同的染色体值(第1-22位).这两种方法都耗费了很长时间.一个使用该pandasql模块,而另一个方法是循环通过单独的基因.

SQL方法

import pandas as pd …