如何将DataFrame存储的subclassOf层级输出为带缩进的文本列表

问题描述 #

我有一组subclassOf层级关系可通过DataFrame表示，其中subjects是objects的子类。我需要将该层级打印为带缩进的列表，缩进代表当前术语是上一行术语的子类。我目前使用递归函数实现，已经可以正确增加缩进，但找不到合适的位置通过减少prefix_level来回退缩进，导致输出不符合预期。欢迎提供任意解决方案，无需基于我现有的实现调整。

示例数据 #

构造层级关系DataFrame的代码如下：

import pandas as pd
current_direct_sco = pd.DataFrame(
    {
        "subject": {
            986: "ENVO:01000025",
            989: "ENVO:01000028",
            990: "ENVO:01000029",
            991: "ENVO:01000030",
            1011: "ENVO:01000050",
            1014: "ENVO:01000053",
            1015: "ENVO:01000054",
            1096: "ENVO:01000127",
            1242: "ENVO:01000252",
            1243: "ENVO:01000253",
        },
        "object": {
            986: "ENVO:01000024",
            989: "ENVO:01000024",
            990: "ENVO:01000024",
            991: "ENVO:01000024",
            1011: "ENVO:01000029",
            1014: "ENVO:01000030",
            1015: "ENVO:01000030",
            1096: "ENVO:01000024",
            1242: "ENVO:00000873",
            1243: "ENVO:00000873",
        },
    }
)

数据内容如下：

可通过igraph绘制层级结构图（需安装pycairo依赖）：

import igraph as ig
g = ig.Graph.TupleList(
    current_direct_sco.itertuples(index=False), directed=True, vertex_name_attr="label"
)
ig.plot(g)

根节点计算 #

首先计算层级的根节点（即只作为父类出现、没有上级类的术语）：

roots = list(set(current_direct_sco["object"]) - set(current_direct_sco["subject"]))
print(roots)

输出结果：

['ENVO:00000873', 'ENVO:01000024']

现有实现及问题 #

当前递归实现代码如下：

def recurse_envo(starting_term):
    global prefix_level
    global prefix_chunk
    global current_prefix
    print(current_prefix + starting_term)
    current_children = list(
        current_direct_sco["subject"].loc[current_direct_sco["object"] == starting_term]
    )
    if len(current_children) > 0:
        prefix_level = prefix_level + 1
        current_prefix = prefix_chunk * prefix_level
        for current_child in current_children:
            recurse_envo(current_child)

for i in roots:
    first_term = i
    prefix_level = 0
    prefix_chunk = "  "
    current_prefix = ""
    recurse_envo(first_term)

当前错误输出 #

ENVO:00000873
  ENVO:01000252
  ENVO:01000253
ENVO:01000024
  ENVO:01000025
  ENVO:01000028
  ENVO:01000029
    ENVO:01000050
    ENVO:01000030
      ENVO:01000053
      ENVO:01000054
      ENVO:01000127

错误原因是ENVO:01000127实际并不是ENVO:01000030的子类，缩进层级错误。

期望输出 #

ENVO:00000873
  ENVO:01000252
  ENVO:01000253
ENVO:01000024
  ENVO:01000025
  ENVO:01000028
  ENVO:01000029
    ENVO:01000050
  ENVO:01000030
    ENVO:01000053
    ENVO:01000054
  ENVO:01000127

解决方案 #

问题核心是使用全局变量存储缩进层级，遍历完子节点后没有回退层级值，导致后续同级节点继承了子节点的缩进层级。改为将缩进层级作为递归函数的入参传递即可解决：

prefix_chunk = "  "

def recurse_envo(starting_term, level=0):
    # 打印当前节点
    print(prefix_chunk * level + starting_term)
    # 获取所有子节点
    current_children = current_direct_sco["subject"].loc[current_direct_sco["object"] == starting_term].tolist()
    # 递归遍历子节点，层级+1
    for child in current_children:
        recurse_envo(child, level + 1)

# 遍历所有根节点
for root in roots:
    recurse_envo(root)

运行上述代码即可得到符合预期的缩进输出。

内容的提问来源于stack exchange，提问作者Mark Miller