Python迭代逻辑异常：Kinase数据遍历输出结果过少问题排查

我编写的Python代码意图如下：遍历Kinase Data工作表（共12000行），提取pdb ID、kinase group、kinase family、kinase name等信息，再遍历Drug Data工作表，匹配相同pdb ID对应的drug name，最终将匹配结果写入Python Source Doc.xlsx工作表。但实际运行后仅得到200行输出，远低于预期。

以下是我的代码：

import openpyxl
from openpyxl.utils.dataframe import dataframe_to_rows
from openpyxl import Workbook
import pandas as pd

# Open Excel Workbook that contains all the requested kinases and ligands
wrkbk = openpyxl.load_workbook("Python Source Doc.xlsx")
sh = wrkbk.active

wrkbk2 = openpyxl.load_workbook('Kinase Data.xlsx')
sh2 = wrkbk2.active

wrkbk3 = openpyxl.load_workbook('Drug Data.xlsx')
sh3 = wrkbk3.active

#while True:
for i in range(2, sh2.max_row+1):
    pdb = sh2.cell(row=i, column=9).value
    kinase_group = sh2.cell(row=i, column=3).value
    kinase_family = sh2.cell(row=i, column=2).value
    kinase_name = sh2.cell(row=i, column=1).value
    for i in range(2, sh3.max_row+1):
        if pdb == sh3.cell(row=i, column=3).value:
            drug_name = sh3.cell(row=i, column=1).value
            cell = sh.cell(row=i, column=1)
            cell.value = kinase_group
            cell = sh.cell(row=i, column=2)
            cell.value = kinase_family
            cell = sh.cell(row=i, column=3)
            cell.value = kinase_name
            cell = sh.cell(row=i, column=4)
            cell.value = drug_name
            cell = sh.cell(row=i, column=5)
            cell.value = pdb

wrkbk.save('Python Source Doc.xlsx')

问题分析 #

代码存在三个核心问题，导致输出结果远低于预期：

1. 循环变量冲突：外层遍历Kinase Data的循环和内层遍历Drug Data的循环都用了i作为变量，内层循环会直接覆盖外层i的值。比如Drug Data共200行，内层循环跑完后i会变成200，外层循环直接终止，无法遍历完12000行Kinase Data。
2. 写入行号错误：写入结果时使用的是内层循环的i，这会导致所有匹配结果都覆盖到Drug Data对应的行范围内，大量数据被重复覆盖，最终只保留最后一批写入的内容。
3. 效率与匹配逻辑缺陷：双重嵌套循环遍历大表效率极低，且未处理一个pdb对应多个drug的情况，只会保留最后一个匹配的drug，还会重复写入同一行。

修复方案 #

方案一：用Pandas实现（推荐，高效且简洁） #

Pandas的merge功能可以直接按pdb ID关联两个表，自动处理多匹配情况，代码更简洁高效：

import pandas as pd

# 读取Kinase Data，提取需要的列（原列1、2、3、9对应索引0、1、2、8）
kinase_df = pd.read_excel('Kinase Data.xlsx', usecols=[0, 1, 2, 8])
kinase_df.columns = ['kinase_name', 'kinase_family', 'kinase_group', 'pdb_id']

# 读取Drug Data，提取需要的列（原列1、3对应索引0、2）
drug_df = pd.read_excel('Drug Data.xlsx', usecols=[0, 2])
drug_df.columns = ['drug_name', 'pdb_id']

# 按pdb_id匹配两个表，仅保留双方都存在的匹配项（如需保留所有Kinase数据可改how='left'）
merged_df = pd.merge(kinase_df, drug_df, on='pdb_id', how='inner')

# 将结果写入目标文件，覆盖原有内容
with pd.ExcelWriter('Python Source Doc.xlsx') as writer:
    merged_df.to_excel(writer, index=False)

方案二：修复openpyxl版本（适合坚持用openpyxl的场景） #

解决变量冲突问题，同时用字典预存Drug Data的匹配关系提升效率：

import openpyxl

# 打开各工作簿
wrkbk = openpyxl.load_workbook("Python Source Doc.xlsx")
sh = wrkbk.active

wrkbk2 = openpyxl.load_workbook('Kinase Data.xlsx')
sh2 = wrkbk2.active

wrkbk3 = openpyxl.load_workbook('Drug Data.xlsx')
sh3 = wrkbk3.active

# 预存Drug Data的pdb与drug映射：一个pdb可能对应多个drug，用列表存储
pdb_drug_map = {}
for j in range(2, sh3.max_row + 1):
    pdb = sh3.cell(row=j, column=3).value
    drug_name = sh3.cell(row=j, column=1).value
    if pdb not in pdb_drug_map:
        pdb_drug_map[pdb] = []
    pdb_drug_map[pdb].append(drug_name)

# 遍历Kinase Data，逐行写入匹配结果
output_row = 2  # 从第2行开始写入结果
for i in range(2, sh2.max_row + 1):
    pdb = sh2.cell(row=i, column=9).value
    kinase_group = sh2.cell(row=i, column=3).value
    kinase_family = sh2.cell(row=i, column=2).value
    kinase_name = sh2.cell(row=i, column=1).value
    
    # 如果当前pdb有匹配的drug，逐个写入
    if pdb in pdb_drug_map:
        for drug_name in pdb_drug_map[pdb]:
            sh.cell(row=output_row, column=1).value = kinase_group
            sh.cell(row=output_row, column=2).value = kinase_family
            sh.cell(row=output_row, column=3).value = kinase_name
            sh.cell(row=output_row, column=4).value = drug_name
            sh.cell(row=output_row, column=5).value = pdb
            output_row += 1  # 写完一行后切换到下一行

wrkbk.save('Python Source Doc.xlsx')

内容的提问来源于stack exchange，提问作者DJ_Fox