如何用Pandas按Cluster分组，将代表序列前置并合并同组其他序列？

第一步：修正Cluster列类型（可选但推荐） #

读取TSV后，先确认Cluster列的类型，若为字符串可转为整数，避免分组时的潜在问题：

df['Cluster'] = df['Cluster'].astype(int)

第二步：分组处理生成目标格式 #

以下提供两种实现方式，任选其一即可：

方式一：使用groupby+自定义函数

def process_cluster(group):
    # 获取当前组的代表序列
    rep_seq = group[group['Representative'] == 'TRUE']['Sequence'].iloc[0]
    # 合并当前组的非代表序列（空格分隔）
    non_rep_seqs = ' '.join(group[group['Representative'] == 'FALSE']['Sequence'])
    return pd.Series({'Representative': rep_seq, 'Sequence': non_rep_seqs})

# 分组处理并重置索引
result_df = df.groupby('Cluster').apply(process_cluster).reset_index()

方式二：拆分合并法（更直观）

先分别提取代表序列和非代表序列，再合并结果：

# 提取代表序列，重命名列
rep_df = df[df['Representative'] == 'TRUE'][['Cluster', 'Sequence']].rename(columns={'Sequence': 'Representative'})
# 分组合并非代表序列
non_rep_df = df[df['Representative'] == 'FALSE'].groupby('Cluster')['Sequence'].agg(' '.join).reset_index()
# 合并两个结果表
result_df = pd.merge(rep_df, non_rep_df, on='Cluster', how='left')

结果说明 #

处理后的result_df会以Cluster为分组，每行对应一个Cluster：

• Representative列存储该组的代表序列
• Sequence列存储该组所有非代表序列，以空格分隔

内容的提问来源于stack exchange，提问作者Yago Dias