如何使用Pandas按数据集中标题的C1-C4标识对样本分组？

根据你的样本名格式（点分隔，最后一段为C1/C2/C3/C4这类分组标识），以下是几种常用工具的实现方法：

Python（Pandas）方案 #

适合处理结构化数据集，步骤清晰易扩展：

import pandas as pd

# 示例数据（替换为你的实际数据读取逻辑，比如pd.read_csv()）
data = pd.DataFrame({
    'sample_id': [
        'TCGA.02.0047.GBM.C4',
        'TCGA.02.0055.GBM.C4',
        'TCGA.ZS.A9CG.LIHC.C3',
        'TCGA.ZU.A8S4.CHOL.C1',
        'TCGA.ZX.AA5X.CESC.C2'
    ],
    'expression_value': [12.3, 45.6, 78.9, 10.1, 23.4]
})

# 1. 清洗样本名：去除前后空格和末尾的标点（逗号、点）
# 2. 按点分割字符串，取最后一段作为分组标识
data['group'] = data['sample_id'].str.strip().str.rstrip(',.').str.split('.').str[-1]

# 按分组标识分组
grouped = data.groupby('group')

# 示例：输出每个分组的统计信息或数据内容
for group_label, group_data in grouped:
    print(f"=== 分组 {group_label} ===")
    print(group_data[['sample_id', 'expression_value']])

R语言方案 #

适合生信领域用户，兼容多数生物信息学分析流程：

# 构造示例数据（替换为你的数据读取逻辑，比如read.table()）
sample_data <- data.frame(
    sample_id = c(
        "TCGA.02.0047.GBM.C4",
        "TCGA.02.0055.GBM.C4",
        "TCGA.ZS.A9CG.LIHC.C3",
        "TCGA.ZU.A8S4.CHOL.C1",
        "TCGA.ZX.AA5X.CESC.C2"
    ),
    expression_value = c(12.3, 45.6, 78.9, 10.1, 23.4)
)

# 提取分组标识：先去除末尾标点，再按点分割取最后一段
sample_data$group <- sapply(
    strsplit(gsub("[,.]$", "", sample_data$sample_id), "\\."),
    function(x) tail(x, 1)
)

# 按分组拆分数据
grouped_list <- split(sample_data, sample_data$group)

# 示例：查看每个分组内容
lapply(grouped_list, print)

命令行（AWK）方案 #

适合快速处理纯文本格式的样本列表：

假设你的样本名保存在sample_list.txt文件中（每行一个样本），执行以下命令会将每个分组的样本写入对应文件（如C1.txt、C2.txt）：

awk '{
    # 去除行尾的逗号或点
    gsub(/[,.]$/, "", $0)
    # 按点分割字符串，取最后一段作为分组名
    split($0, parts, ".")
    group = parts[length(parts)]
    # 将当前样本写入对应分组文件
    print $0 > group ".txt"
}' sample_list.txt

核心思路说明 #

所有方案的核心逻辑一致：

• 先清洗样本名：去除前后空白字符和末尾的标点（逗号、点），避免干扰分割逻辑
• 再提取分组标识：利用样本名的点分隔结构，取分割后的最后一段（即C1/C2/C3/C4）
• 最后按标识分组：根据提取的分组键对样本数据进行分组操作

内容的提问来源于stack exchange，提问作者feaserwood