如何计算DataFrame每行中多个突变位点的间距？

完整解决方案代码 #

import pandas as pd
import re

# 示例数据
data = [[31581, "wild-type"], [31614, "D250C,E296C"], [31731, "T112K,T116I,E324I,S150C,N157C,V189C,D332C"]]
df = pd.DataFrame(data, columns=['SAMPLE', 'MUTATION'])

# 1. 过滤野生型样本，清理突变字段的冗余说明
df_clean = df[df['MUTATION'] != 'wild-type'].copy()
# 移除所有"(Based on ...)"格式的后缀文本
df_clean['MUTATION'] = df_clean['MUTATION'].str.replace(r'\s*\(Based on .+\)', '', regex=True)

# 2. 定义函数：提取突变位置并计算相邻位点距离
def get_mutation_distances(mutation_str):
    # 提取所有突变位置的数字
    position_strs = re.findall(r'\d+', mutation_str)
    # 转换为整数列表
    positions = list(map(int, position_strs))
    # 按位置从大到小排序
    sorted_positions = sorted(positions, reverse=True)
    # 计算相邻位点的距离（大位置减小位置）
    distances = [sorted_positions[i] - sorted_positions[i+1] for i in range(len(sorted_positions)-1)]
    return distances

# 3. 批量处理所有样本，生成距离列表
df_clean['MUTATION_DISTANCES'] = df_clean['MUTATION'].apply(get_mutation_distances)

# 查看结果
print(df_clean)

代码分步说明 #

1. 数据过滤与清理

   • 先排除标记为wild-type的样本行，用copy()避免pandas的修改警告。
   • 用正则表达式替换掉所有(Based on ...)格式的冗余说明文本，比strip()更可靠（strip()仅处理字符串首尾字符，正则能匹配任意位置的这类文本）。

2. 提取突变位置

   • 用re.findall(r'\d+', mutation_str)直接从突变字符串中提取所有数字（即突变位点），无需拆分字符串后再过滤冗余字母，效率更高。

3. 计算相邻位点距离

   • 将提取的数字转为整数，按降序排序（确保后续计算的是大位点减小位点）。
   • 通过列表推导式遍历排序后的位点，计算相邻两个位点的差值，生成距离列表。

4. 批量处理

   • 用apply()函数对每行的MUTATION字段应用自定义函数，适合处理3万行以上的大型数据集，比手动循环更高效。

示例输出 #

SAMPLE                                           MUTATION MUTATION_DISTANCES
1   31614                                      D250C,E296C               [46]
2   31731  T112K,T116I,E324I,S150C,N157C,V189C,D332C  [8, 135, 32, 7, 34, 4]

可选优化 #

• 如果需要去除重复的突变位点，可在转换整数后添加去重步骤：

  positions = list(set(map(int, position_strs)))
  

• 若希望按位点从小到大排序后计算差值（后位点减前位点），只需将sorted(positions, reverse=True)改为sorted(positions)。

内容的提问来源于stack exchange，提问作者Paulina Brown