Python中精准计算两个DataFrame的基因组重叠与非重叠区间

核心需求 #

需要获取DF1与DF2的精确重叠区间，以及DF1中与DF2不重叠的区间，需覆盖两类场景：

• DF1中完全不与DF2重叠的行
• DF1中与DF2部分重叠的行

关键难点 #

• 处理部分重叠行时，必须保证同一染色体的所有输出区间（重叠/非重叠）内部无重叠冲突。例如：若某行拆分出的非重叠区间是1-59，但同一染色体上其他行存在10-20的重叠区间，那么需剔除10-20部分，仅保留1-9、21-59作为有效非重叠区间
• 结果验证标准：所有重叠区间与非重叠区间的总长度，必须等于DF1对应区域的总长度

示例说明 #

示例数据 #

DF1数据：

chr   start   end 
1     1       100
1     150     200
2     5       10

DF2数据：

chr   start   end 
1     10      20
1     60      260
1     500     550
2     1       20

预期结果分析 #

• 染色体1的重叠区间：10-20、60-100、150-200
• 染色体1的非重叠区间：1-9、21-59
• 染色体2的非重叠区间：无（DF1的5-10完全被DF2的1-20覆盖）

长度验证（忽略染色体2） #

DF1总碱基数：(100-1+1)+(200-150+1)=151
各区间长度之和：9+11+39+41+51=151，与DF1总长度匹配

测试反馈：现有方案不符合预期 #

测试数据 #

DF1总碱基数=137：

Chromosome  Start   End
0   chr1    200     227
1   chr1    613     721

DF2数据：

Chromosome  Start   End
0   chr1    1000    1227

预期输出 #

Chromosome  Start   End   merge
0   chr1    200     227   left_only
1   chr1    613     721   left_only
2   chr1    1000    1227  right_only  #[可选包含right_only]

• 预期left_only总碱基数=137，与DF1总长度一致

错误输出 #

Chromosome_ range_first range_last  _merge_first
1   chr1    1      200        721         left_only

• 错误点：left_only总碱基数=522，与DF1实际长度不符；错误包含了DF1中不存在的228-612区域，该区域不属于DF1或DF2，不应出现在结果中

内容的提问来源于stack exchange，提问作者youtube