解决AttributeError: 'str'对象无'cat'属性及基因符号去重问题

需求说明 #

针对DataFrame中索引为GENE_SYMBOLS的行，合并所有行的内容，将逗号（,）、短横线（-）分割后的基因符号去重，保留唯一值。

原代码 #

geneset = pd.read_csv("genesets.v2023.1.Hs.tsv", sep="\t", index_col=0)
geneset = geneset.loc["GENE_SYMBOLS"] # retrieve only rows with index name "GENE_SYMBOLS"
for i in geneset.columns:
    genes = i.cat(sep=',').tolist()  # Merge all the rows of strings with "," delimiter and store as a list
genes = genes.split(",") # split by the "," delimiter
genes = genes.split("-") # or the "-" delimiter
genes = genes.unique()      # Keep only if not duplicated

报错信息 #

---------------------------------------------------------------------------
AttributeError                            Traceback (most recent call last)
Input In [46], in <cell line: 3>()
      2 geneset = geneset.loc["GENE_SYMBOLS"] # retrieve only rows with index name "GENE_SYMBOLS"
      3 for i in geneset.columns:
----> 4     genes = i.cat(sep=',').tolist()  # Merge all the rows of strings with "," delimiter and store as a list
      5 genes = genes.split(",") # split by the "," delimiter
      6 genes = genes.split("-") # or the "-" delimiter

AttributeError: 'str' object has no attribute 'cat'

输入数据表格 #

期望输出 #

genes = ['DDR1','CYP2A6','DTX2P1', 'UPK3BP1', 'PMS2P11','MARCKSL1', 'CCL5','IK','ARL6IP5','EIF1AX','PFKP','PJA2', 'TLR4','GPNMB','TAGLN','COL1A1','CARMN','CD63']

修正方案 #

错误原因 #

1. geneset.loc["GENE_SYMBOLS"]返回的是Series，遍历geneset.columns拿到的是列名字符串，字符串没有cat方法，导致报错。
2. 拆分逻辑错误：split("-")无法直接对列表调用，需分层处理逗号和短横线的拆分。
3. unique()是numpy/pandas对象的方法，普通列表不能直接调用。

修正代码 #

import pandas as pd

# 读取TSV数据
geneset = pd.read_csv("genesets.v2023.1.Hs.tsv", sep="\t", index_col=0)
# 提取所有GENE_SYMBOLS行的内容为列表
gene_rows = geneset.loc["GENE_SYMBOLS"].tolist()

# 合并所有行的基因字符串
combined_genes = ','.join(gene_rows)
# 先按逗号拆分得到初步基因列表
comma_split_genes = combined_genes.split(',')

# 遍历处理短横线拆分，收集所有基因
all_genes = []
for gene_item in comma_split_genes:
    all_genes.extend(gene_item.split('-'))

# 去重并保留原始出现顺序
unique_genes = list(dict.fromkeys(all_genes))
print(unique_genes)

代码说明 #

• 直接提取GENE_SYMBOLS对应的所有值为列表，用','.join()合并成完整字符串。
• 先按逗号拆分得到基础基因项，再逐个处理每个项的短横线拆分，扩展到总列表。
• 使用dict.fromkeys()实现去重并保留元素原始顺序，若无需顺序可直接用list(set(all_genes))。

内容的提问来源于stack exchange，提问作者Anon