使用R整理宏基因组数据：提取各ASV对应最长分类谱系

假设你的原始DataFrame命名为taxa_df，第一列名为taxonomy，其余列是ASV编号（ASV_1到ASV_3811）。以下是实现需求的具体步骤和代码：

核心实现代码 #

import pandas as pd

# 初始化空字典存储ASV与分类谱系的映射
asv_tax_map = {}

# 遍历所有ASV列（排除第一列分类谱系列）
for asv_col in taxa_df.columns[1:]:
    # 筛选当前ASV列值为1的行，取最后一行的分类谱系（即最长层级）
    target_tax = taxa_df[taxa_df[asv_col] == 1]['taxonomy'].iloc[-1]
    # 替换分隔符|为/
    cleaned_tax = target_tax.replace('|', '/')
    asv_tax_map[asv_col] = cleaned_tax

# 转换为最终的两列DataFrame
final_df = pd.DataFrame.from_dict(asv_tax_map, orient='index', columns=['cleaned_taxonomy'])
final_df.reset_index(inplace=True)
final_df.rename(columns={'index': 'ASV_ID'}, inplace=True)

补充优化处理 #

如果存在部分ASV列无匹配的分类行（即该列全为0），可以添加判断避免报错：

for asv_col in taxa_df.columns[1:]:
    matching_rows = taxa_df[taxa_df[asv_col] == 1]
    if not matching_rows.empty:
        target_tax = matching_rows['taxonomy'].iloc[-1]
        cleaned_tax = target_tax.replace('|', '/')
        asv_tax_map[asv_col] = cleaned_tax
    else:
        # 无匹配时标记为未分类，也可设为NaN
        asv_tax_map[asv_col] = 'Unclassified'

如果你的“最长分类谱系”是指字符串长度最长（而非行位置最后），可以将取分类谱系的代码替换为：

target_tax = max(matching_rows['taxonomy'], key=len)

内容的提问来源于stack exchange，提问作者David