如何在Pandas中根据列条件拼接字符串生成coordinates列

原始输入表格 #

genome  start   end   strand    etc
GUT_GENOME270877.fasta  98  396 +   
GUT_GENOME270877.fasta  384 574 -
GUT_GENOME270877.fasta  593 984 +
GUT_GENOME270877.fasta  991 999 -

需求说明 #

新增coordinates列，规则如下：

• 当etc列值为+时，coordinates格式为start..end
• 当etc列值为-时，coordinates格式为complement(start..end)

方式1：使用awk命令处理（适合纯文本表格） #

awk适合直接处理文本格式的表格，通过条件判断快速生成目标列：

BEGIN {OFS="\t"}  # 设置输出字段分隔符为制表符，保证格式对齐
NR==1 {print $0, "coordinates"; next}  # 处理表头，添加新列名
{
    if ($5 == "+") {
        coord = $2 ".." $3
    } else if ($5 == "-") {
        coord = "complement(" $2 ".." $3 ")"
    }
    print $0, coord
}

使用步骤：

1. 将上述代码保存为add_coords.awk文件
2. 执行命令：awk -f add_coords.awk 你的输入文件名 > 输出文件名

方式2：使用Python Pandas处理（适合数据框场景） #

如果是在Python数据流程中处理，用Pandas可以轻松实现条件列生成：

写法1：apply函数实现 #

import pandas as pd

# 读取原始数据（假设是制表符分隔）
df = pd.read_csv("input.txt", sep="\t")

# 生成coordinates列
df["coordinates"] = df.apply(
    lambda row: f"{row['start']}..{row['end']}" if row["etc"] == "+" else f"complement({row['start']}..{row['end']})",
    axis=1
)

# 输出结果，保留制表符分隔
df.to_csv("output.txt", sep="\t", index=False)

写法2：numpy.where高效实现 #

如果数据量较大，用numpy.where性能更优：

import pandas as pd
import numpy as np

df = pd.read_csv("input.txt", sep="\t")

# 拼接字符串并应用条件判断
df["coordinates"] = np.where(
    df["etc"] == "+",
    df["start"].astype(str) + ".." + df["end"].astype(str),
    "complement(" + df["start"].astype(str) + ".." + df["end"].astype(str) + ")"
)

df.to_csv("output.txt", sep="\t", index=False)

内容的提问来源于stack exchange，提问作者plnnvkv