如何基于Alias列子串匹配合并不同大小的DataFrame

问题说明 #

现有两个DataFrame：

df1（包含Alias和seq_RNA列） #

Alias                   seq_RNA
Hsa-Mir-133-P2-v1-5p    AGCTGGTAAAATGGAACCAAATC
Hsa-Mir-143-P1-v2-3p    TTGGTCCCCTTCAACCAGCTGT
Hsa-Mir-183-P1-v1-3p    TTTGGTCCCCTTCAACCAGCTGT
Hsa-Mir-490-3p          CAACCTGGAGGACTCCATGCTGT
Hsa-Mir-499-5p          TTAAGACTTGCAGTGATGTTTA
Hsa-Mir-163-P2-v2-3p    TTGGTCCCCTTCAACCAGCTA
Hsa-Mir-122-as-5p       TTTAGTGTGATAATGGCGTTTG
Hsa-Mir-1-P1-5p         ACATACTTCTTTATATGCCCATA

df2（包含Alias和MiRBase_ID列） #

Alias           MiRBase_ID
Hsa-Mir-4-P1    hsa-let-133 
Hsa-Let-7-P1c   hsa-let-7c 
Hsa-Let-7-P1d   hsa-let-7a-2 
Hsa-Mir-183-P1  hsa-let-183 
Hsa-Mir-122-as  hsa-let-122 
Hsa-Let-7-P2a3  hsa-let-7f-2 

需要生成df3，规则为：

• 当df1的Alias与df2的Alias存在子串匹配时，选取最长匹配的子串对应的MiRBase_ID
• 无匹配时填充na

预期结果df3：

Alias                   seq_RNA                     MiRBase_ID
Hsa-Mir-133-P2-v1-5p    AGCTGGTAAAATGGAACCAAATC     na
Hsa-Mir-143-P1-v2-3p    TTGGTCCCCTTCAACCAGCTGT      na
Hsa-Mir-183-P1-v1-3p    TTTGGTCCCCTTCAACCAGCTGT     hsa-let-183
Hsa-Mir-490-3p          CAACCTGGAGGACTCCATGCTGT     na
Hsa-Mir-499-5p          TTAAGACTTGCAGTGATGTTTA      na
Hsa-Mir-163-P2-v2-3p    TTGGTCCCCTTCAACCAGCTA       na
Hsa-Mir-122-as-5p       TTTAGTGTGATAATGGCGTTTG      hsa-let-122
Hsa-Mir-1-P1-5p         ACATACTTCTTTATATGCCCATA     na

解决方案 #

使用Python的pandas库实现，核心是为每个df1的Alias找到df2中最长匹配的Alias子串，步骤如下：

1. 导入pandas并构造示例DataFrame

import pandas as pd

# 构造df1
df1_data = {
    'Alias': [
        'Hsa-Mir-133-P2-v1-5p',
        'Hsa-Mir-143-P1-v2-3p',
        'Hsa-Mir-183-P1-v1-3p',
        'Hsa-Mir-490-3p',
        'Hsa-Mir-499-5p',
        'Hsa-Mir-163-P2-v2-3p',
        'Hsa-Mir-122-as-5p',
        'Hsa-Mir-1-P1-5p'
    ],
    'seq_RNA': [
        'AGCTGGTAAAATGGAACCAAATC',
        'TTGGTCCCCTTCAACCAGCTGT',
        'TTTGGTCCCCTTCAACCAGCTGT',
        'CAACCTGGAGGACTCCATGCTGT',
        'TTAAGACTTGCAGTGATGTTTA',
        'TTGGTCCCCTTCAACCAGCTA',
        'TTTAGTGTGATAATGGCGTTTG',
        'ACATACTTCTTTATATGCCCATA'
    ]
}
df1 = pd.DataFrame(df1_data)

# 构造df2
df2_data = {
    'Alias': [
        'Hsa-Mir-4-P1',
        'Hsa-Let-7-P1c',
        'Hsa-Let-7-P1d',
        'Hsa-Mir-183-P1',
        'Hsa-Mir-122-as',
        'Hsa-Let-7-P2a3'
    ],
    'MiRBase_ID': [
        'hsa-let-133',
        'hsa-let-7c',
        'hsa-let-7a-2',
        'hsa-let-183',
        'hsa-let-122',
        'hsa-let-7f-2'
    ]
}
df2 = pd.DataFrame(df2_data)

2. 定义匹配函数，寻找最长子串匹配

def find_best_match(alias, df2):
    # 筛选出是当前alias子串的df2 Alias
    matches = df2[df2['Alias'].apply(lambda x: x in alias)]
    if matches.empty:
        return pd.NA
    # 按子串长度降序排序，取最长的那个
    longest_match = matches.loc[matches['Alias'].str.len().idxmax()]
    return longest_match['MiRBase_ID']

# 应用函数到df1的Alias列
df1['MiRBase_ID'] = df1['Alias'].apply(lambda x: find_best_match(x, df2))

# 得到df3
df3 = df1

3. 查看结果

print(df3)

输出结果与预期一致。

说明 #

• 该方案通过遍历df1的每个Alias，筛选出所有是其子串的df2 Alias，再选择最长的匹配项，确保是最优匹配
• 处理了无匹配的情况，自动填充pd.NA（对应示例中的na）
• 不受两个DataFrame的行数和顺序影响

内容的提问来源于stack exchange，提问作者pino