Pandas DataFrame索引重命名报错：期望1个参数却传入2个的排查

首先，咱们直接定位你遇到的错误：ValueError: Length of new names must be 1, got 2 是因为执行 groupby.apply 后得到的 gene_mutation_df 索引层数不是你预期的2层，而是1层，所以你试图设置2个索引名称就会触发这个报错。而核心原因大概率是你的测试CSV数据格式错误，连带引发了后续逻辑的异常。

一、错误直接原因拆解 #

你的测试CSV数据格式完全混乱：表头是4列（identifier,Hugo_Symbol,Tumor_Sample_Barcode,Variant_Classification），但后续行的元素数量远多于4，导致pd.read_csv读入后，列名错位、数据混乱，比如Hugo_Symbol列可能包含非基因名的内容，最终groupby(['Hugo_Symbol'])无法生成正常的分组，apply后的结果索引变成了单层结构，而非预期的多层索引（MultiIndex）。

二、函数逻辑的潜在问题与优化 #

先帮你梳理下这个函数的核心功能：它要生成一个「患者×基因」的矩阵，标记每个患者是否携带某个基因的非沉默突变。逻辑整体方向是对的，但有几个可以优化和修正的点：

1. 简化过滤逻辑，提升效率 #

原代码中过滤非沉默突变和原发肿瘤样本的写法可以简化：

# 原代码：过滤非沉默突变
non_silent = df.where(df['Variant_Classification'] != 'Silent')
df = non_silent.dropna(subset=['Variant_Classification'])
# 简化后：
df = df[df['Variant_Classification'] != 'Silent']

# 原代码：过滤非原发肿瘤样本
non_01_barcodes = df[~df['Tumor_Sample_Barcode'].str.contains(PRIMARY_TUMOR_PATIENT_ID_REGEX)]['Tumor_Sample_Barcode']
df = df.drop(non_01_barcodes.index)
# 简化后：
df = df[df['Tumor_Sample_Barcode'].str.contains(PRIMARY_TUMOR_PATIENT_ID_REGEX)]

2. 检查groupby.apply的索引结构 #

原代码中mutations_for_gene函数返回的是带患者ID索引的DataFrame，正常情况下groupby(['Hugo_Symbol']).apply()会生成多层索引（第一层是基因名，第二层是患者ID）。但如果输入数据异常，这个结构会被破坏。你可以在报错代码前加一行调试：

gene_mutation_df = df.groupby(['Hugo_Symbol']).apply(mutations_for_gene)
# 先打印索引结构，确认是否是多层索引
print("Current index structure:", gene_mutation_df.index)
# 再设置索引名
if isinstance(gene_mutation_df.index, pd.MultiIndex):
    gene_mutation_df.index.set_names(['Hugo_Symbol', 'patient'], inplace=True)
else:
    raise ValueError("Expected MultiIndex from groupby.apply, check input data format!")

3. 不必要的单引号操作 #

原代码中df['Hugo_Symbol'] = '\'' + df['Hugo_Symbol'].astype(str)会给所有基因名加上单引号，除非你有明确的业务需求，否则建议去掉这个操作，避免后续分析中基因名格式异常。

三、修正测试数据 #

你需要提供格式正确的CSV测试数据，比如：

identifier,Hugo_Symbol,Tumor_Sample_Barcode,Variant_Classification
PT001,EGFR,TCGA-OR-A5J1-01A-11D-A29S-08,Missense_Mutation
PT002,EGFR,TCGA-OR-A5J2-01A-11D-A29S-08,Silent
PT001,KRAS,TCGA-OR-A5J1-01A-11D-A29S-08,Nonsense_Mutation
PT003,KRAS,TCGA-OR-A5J3-01A-11D-A29S-08,Missense_Mutation

这个测试数据符合表头列数，包含沉默/非沉默突变、原发肿瘤样本，能覆盖你的函数逻辑场景。

四、优化后的完整代码示例 #

import pandas as pd
import numpy as np

PRIMARY_TUMOR_PATIENT_ID_REGEX = '^.{4}-.{2}-.{4}-01.*'
SHORTEN_PATIENT_REGEX = '^(.{4}-.{2}-.{4}).*'

def mutations_for_gene(df):
    mutated_patients = df['identifier'].unique()
    return pd.DataFrame({'mutated': np.ones(len(mutated_patients))}, index=mutated_patients)

def prep_data(mutation_path):
    df = pd.read_csv(mutation_path, low_memory=True, dtype=str)
    # 过滤重复表头行
    df = df[~df['Hugo_Symbol'].str.contains('Hugo_Symbol')]
    # 过滤沉默突变
    df = df[df['Variant_Classification'] != 'Silent']
    # 过滤非原发肿瘤样本
    df = df[df['Tumor_Sample_Barcode'].str.contains(PRIMARY_TUMOR_PATIENT_ID_REGEX)]
    # 提取患者ID前缀
    df['identifier'] = df['Tumor_Sample_Barcode'].str.extract(SHORTEN_PATIENT_REGEX, expand=False)
    
    gene_mutation_df = df.groupby(['Hugo_Symbol']).apply(mutations_for_gene)
    # 确保索引是多层结构再设置名称
    if isinstance(gene_mutation_df.index, pd.MultiIndex):
        gene_mutation_df.index.set_names(['Hugo_Symbol', 'patient'], inplace=True)
    else:
        raise ValueError("Input data format error: groupby result does not have MultiIndex!")
    
    gene_mutation_df = gene_mutation_df.reset_index()
    gene_patient_mutations = gene_mutation_df.pivot(index='Hugo_Symbol', columns='patient', values='mutated')
    return gene_patient_mutations.transpose().fillna(0)

内容的提问来源于stack exchange，提问作者Alvin Kuruvilla