如何无重复地对含指定标记的行进行FPKM与count值求和？

现有一个包含Ko_class、FPKM、count列的Pandas DataFrame，数据如下：

Ko_class  FPKM  count
0                       Carbon;Pyruvate;vitamins  16.7      1
1  Pyruvate;Carbohydrate;Pentose and glucuronate  30.0      7
2                         Lipid;Carbon;Galactose  40.5      9
3                  Galactose;Pyruvate;Fatty acid  57.0     10
4                               Fatty acid;Lipid  22.0      4

需要根据target_list中的每个条目，对符合条件的行的FPKM和count值求和，规则为：

• 将target条目拆分为多个子类关键词
• 筛选原DataFrame中Ko_class包含至少一个该target子类关键词的行
• 对这些行的FPKM和count分别求和，每行仅被计入一次（即使匹配多个target关键词）

target_list内容：

target_list = ['Carbon','Carbon; Pyruvate','Galactose; Pyruvate; Carbon',
               'Galactose;Pyruvate;Fatty acid; Carbon']

期望输出结果：

Ko_class   FPKM  count
0                                 Carbon   57.2     10
1                       Carbon; Pyruvate  144.2     27
2            Galactose; Pyruvate; Carbon  144.2     27
3  Galactose;Pyruvate;Fatty acid; Carbon  166.2     31

实现思路 #

1. 统一处理关键词拆分：无论是原DataFrame的Ko_class还是target条目，都按分号（含带空格的情况）拆分为关键词集合，方便快速判断交集。
2. 遍历每个target，筛选符合条件的行：判断原行的关键词集合与target的关键词集合是否有交集，有交集则计入求和。
3. 汇总求和结果并整理为目标DataFrame。

完整代码 #

import pandas as pd

# 初始化原始数据
classes = [('Carbon;Pyruvate;vitamins', 16.7, 1),
           ('Pyruvate;Carbohydrate;Pentose and glucuronate', 30, 7),
           ('Lipid;Carbon;Galactose', 40.5, 9),
           ('Galactose;Pyruvate;Fatty acid', 57, 10),
           ('Fatty acid;Lipid', 22, 4)]
labels = ['Ko_class','FPKM', 'count']
alls = pd.DataFrame.from_records(classes, columns=labels)

# 处理原始数据的Ko_class，拆分为关键词集合
alls['ko_set'] = alls['Ko_class'].apply(lambda x: set(item.strip() for item in x.split(';')))

target_list = ['Carbon','Carbon; Pyruvate','Galactose; Pyruvate; Carbon',
               'Galactose;Pyruvate;Fatty acid; Carbon']

# 存储每个target的求和结果
result_data = []
for target in target_list:
    # 拆分target为关键词集合
    target_set = set(item.strip() for item in target.split(';'))
    # 筛选符合条件的行：ko_set与target_set有交集
    filtered_rows = alls[alls['ko_set'].apply(lambda x: not x.isdisjoint(target_set))]
    # 求和
    fpkm_sum = filtered_rows['FPKM'].sum()
    count_sum = filtered_rows['count'].sum()
    # 添加到结果列表
    result_data.append({'Ko_class': target, 'FPKM': fpkm_sum, 'count': count_sum})

# 转换为DataFrame并输出
result_df = pd.DataFrame(result_data)
print(result_df)

代码说明 #

• alls['ko_set']：将每行的Ko_class拆分为去重的关键词集合，比如Carbon;Pyruvate;vitamins会转换为{'Carbon', 'Pyruvate', 'vitamins'}。
• target_set：对每个target做同样的拆分处理，兼容分号后带空格的情况（比如Carbon; Pyruvate拆分为{'Carbon', 'Pyruvate'}）。
• not x.isdisjoint(target_set)：判断两个集合是否有交集，只要有一个关键词匹配就保留该行。
• 最后将每个target的求和结果整理为DataFrame，与期望输出完全一致。

内容的提问来源于stack exchange，提问作者yan wang