如何基于染色体匹配与区间判断为DataFrame添加状态列？

我来帮你完善这个函数，核心是要先按chr列匹配两个DataFrame，再判断position是否落在对应区间内——还要注意处理df2里start大于end的情况（比如示例里的c1行143-108），否则直接用between会出错。

完整实现代码 #

import pandas as pd

def overlap_region(H3K27ac_file, snp_list):
    # 读取两个文件，修正原代码中重复的header参数问题
    df1 = pd.read_csv(H3K27ac_file, sep="\t", header=0)
    df2 = pd.read_csv(snp_list, sep="\t", header=0)
    
    # 预处理df2：统一区间的最小/最大值，避免start>end的情况导致判断错误
    df2['min_pos'] = df2[['start', 'end']].min(axis=1)
    df2['max_pos'] = df2[['start', 'end']].max(axis=1)
    
    # 定义辅助函数，检查单条df1记录是否满足条件
    def check_overlap(row):
        # 筛选df2中与当前行chr匹配的所有行
        matching_chr_rows = df2[df2['chr'] == row['chr']]
        # 如果没有匹配的chr，直接返回no
        if matching_chr_rows.empty:
            return 'no'
        # 检查position是否落在任意一个匹配的区间内
        has_overlap = any(
            (matching_chr_rows['min_pos'] <= row['position']) & 
            (row['position'] <= matching_chr_rows['max_pos'])
        )
        return 'yes' if has_overlap else 'no'
    
    # 为df1添加Status列
    df1['Status'] = df1.apply(check_overlap, axis=1)
    
    # 输出与示例格式一致的结果（无表头、制表符分隔）
    print(df1.to_csv(sep='\t', index=False, header=False))
    return df1

代码细节说明 #

1. 文件读取修正：去掉了原代码中重复的header=None参数，确保正确识别表头行。
2. 区间预处理：给df2新增min_pos和max_pos列，统一区间的上下限，解决示例中start大于end的异常场景，保证区间判断的准确性。
3. 逐行匹配逻辑：用apply遍历df1的每一行，先匹配相同chr的df2记录，再判断position是否落在任意一个有效区间内。
4. 输出格式对齐：最后用to_csv输出无表头、制表符分隔的结果，完全贴合示例输出的格式要求。

测试验证 #

当你传入示例中的两个文件时，函数会输出：

res1	c1	98	no
res2	c4	143	no
res3	c1	108	yes

和预期结果完全一致。

内容的提问来源于stack exchange，提问作者Himanshu Singh