如何使用Pandas筛选内部两两存在连接的cells_subset细胞子集？

嘿，你要解决的其实是找**完全子图（Clique）**的问题——也就是从cells里挑出一个子集，子集里任意两个cell在connections里都有对应的连接。下面给你两种实现思路，按需选择：

方法一：Pandas + NetworkX（推荐，高效处理大数据） #

Pandas擅长表格操作，但找完全子图是图论问题，搭配NetworkX这个专业图库会高效很多，步骤如下：

1. 准备示例数据（替换成你的真实数据即可） #

import pandas as pd
import networkx as nx

# 你的cells数据集
cells_df = pd.DataFrame({'id': [1, 2, 3, 4, 5]})
# 你的connections数据集
connections_df = pd.DataFrame({
    'id1': [1, 1, 1, 2, 2, 3],
    'id2': [2, 3, 4, 3, 5, 4]
})

2. 预处理连接数据，统一无向边格式 #

因为连接是无向的（比如(id1=1, id2=2)和(id1=2, id2=1)是同一个连接），我们先把每对连接按id从小到大排序，避免重复计算：

# 生成无向连接的标准化元组
connections_df['pair'] = connections_df.apply(
    lambda row: tuple(sorted((row['id1'], row['id2']))), axis=1
)
# 去重（如果有重复的连接记录）
connections_df = connections_df.drop_duplicates(subset='pair')

3. 构建图并找出所有最大完全子图 #

最大完全子图指的是无法再添加任何cell进去还满足全连接条件的子集，它的所有子集也自然符合你的要求：

# 构建无向图
cell_graph = nx.Graph()
cell_graph.add_nodes_from(cells_df['id'])
cell_graph.add_edges_from(connections_df['pair'])

# 找出所有最大完全子图
max_cliques = list(nx.find_cliques(cell_graph))

# 转成Pandas DataFrame展示结果
cliques_result = pd.DataFrame({'cells_subset': max_cliques})
print(cliques_result)

运行后你会得到类似这样的结果：

cells_subset
0      [1, 2, 3]
1      [1, 3, 4]
2         [2, 5]

比如[1,2,3]这个子集里，1和2、1和3、2和3都在connections里有对应连接，完全符合要求。

方法二：纯Pandas实现（适合小数据集） #

如果不想引入额外库，纯Pandas也能实现，但只适合cells数量较少的场景（否则组合数会爆炸，效率极低）：

1. 准备数据（同上） #

import pandas as pd
from itertools import combinations

cells_df = pd.DataFrame({'id': [1, 2, 3, 4, 5]})
connections_df = pd.DataFrame({
    'id1': [1, 1, 1, 2, 2, 3],
    'id2': [2, 3, 4, 3, 5, 4]
})

2. 生成所有可能的细胞对并匹配连接 #

# 标准化连接对
connections_df['pair'] = connections_df.apply(
    lambda row: tuple(sorted((row['id1'], row['id2']))), axis=1
)
valid_pairs = set(connections_df['pair'])

# 生成cells的所有两两组合
all_possible_pairs = list(combinations(cells_df['id'], 2))

3. 遍历筛选符合条件的子集 #

# 初始化所有单元素子集（单元素肯定满足条件）
valid_subsets = [[cell] for cell in cells_df['id']]

# 逐步扩展子集，检查所有内部对是否都在有效连接里
for subset_size in range(2, len(cells_df['id']) + 1):
    # 生成所有当前子集大小的候选组合
    candidate_subsets = list(combinations(cells_df['id'], subset_size))
    for candidate in candidate_subsets:
        # 检查该子集的所有两两对是否都在有效连接中
        all_pairs_valid = all(tuple(sorted(p)) in valid_pairs for p in combinations(candidate, 2))
        if all_pairs_valid:
            valid_subsets.append(list(candidate))

# 去重并转成DataFrame
unique_subsets = list(set(tuple(sorted(s)) for s in valid_subsets))
unique_subsets = [list(s) for s in unique_subsets]
result_df = pd.DataFrame({'cells_subset': unique_subsets})
print(result_df)

这个方法会列出所有符合条件的子集，包括单元素、双元素直到最大的完全子图，但数据量大的时候会非常慢，所以更推荐第一种方法。

内容的提问来源于stack exchange，提问作者sreved