Pandas：根据指定Strain筛选对应Contig与Homology的问题

问题根源 #

当前代码存在三个核心问题：

1. CSV分隔符错误：原文件用空格分隔列，但代码指定sep=";"，导致所有内容被读入同一列，后续过滤逻辑完全失效；
2. 过滤逻辑不严谨：提取homology时仅匹配contig值，未同时限定strain，因此会返回所有菌株中该contig的结果，而非目标菌株的对应值；
3. 参数格式错误：调用函数时1A42未加引号，会被当作变量而非字符串处理，直接引发报错。

修正后的代码 #

import pandas as pd

def myfunction(strain, csv_path):
    # 用正则匹配任意数量空格作为分隔符，正确解析CSV列
    h_df = pd.read_csv(csv_path, sep="\s+", dtype='unicode', on_bad_lines='skip')
    # 直接筛选目标菌株的所有行，确保contig与homology的对应关系精准
    strain_data = h_df[h_df['strain'] == strain]
    # 遍历输出每一组contig和homology
    for _, row in strain_data.iterrows():
        print(row['contig'], row['homology'])

# 注意：strain需传入字符串格式，csv_path替换为你的实际文件路径
myfunction('1A42', 'your_csv_file.csv')

简化输出版（表格形式） #

如果需要更清晰的表格输出，可以用以下写法：

import pandas as pd

def myfunction(strain, csv_path):
    h_df = pd.read_csv(csv_path, sep="\s+", dtype='unicode', on_bad_lines='skip')
    # 只保留需要的两列并输出
    result = strain_data = h_df[h_df['strain'] == strain][['contig', 'homology']]
    print(result.to_string(index=False))

myfunction('1A42', 'your_csv_file.csv')

关键优化点 #

• 分隔符修正：sep="\s+"适配原CSV的空格分隔格式，正确拆分三列数据；
• 精准筛选：通过h_df['strain'] == strain直接锁定目标菌株的行，避免跨菌株匹配；
• 逻辑简化：无需先提取contig再循环查询，直接遍历筛选后的结果，代码更高效简洁。

内容的提问来源于stack exchange，提问作者Iacopo Passeri