如何将转录因子(TF)与结合蛋白列表转换为TF重复的两列数据

你需要做的是将一对多的宽表转换为每行仅对应1组TF-蛋白关联的长表，可根据你的使用场景选择以下任意一种方法实现：

1. Excel/WPS 图形化操作（适合小体量数据） #

• 若原始数据结构为「第一列是TF名称，第二列是用分隔符（逗号/分号/空格等）拼接的结合蛋白列表」：
  1. 选中全部原始数据区域，点击顶部「数据」选项卡 → 选择「从表格/范围」（WPS路径为「导入数据」→ 来自表格），将数据导入Power Query编辑器
  2. 选中蛋白所在列，右键点击「拆分列」→「按分隔符拆分」，选择你数据中实际使用的分隔符，拆分选项勾选「拆分为行」
  3. 拆分完成后点击「关闭并上载」，即可自动生成符合要求的两列结果
• 若原始数据为交叉表结构（第一行是蛋白名称、第一列是TF名称、单元格标注是否结合）：
  1. 同上述步骤导入Power Query编辑器
  2. 选中TF所在列，右键点击「逆透视其他列」，删除生成的「值」列后上载即可

2. Python 代码实现（适合批量处理大数据集） #

使用pandas库的explode或melt方法实现，示例代码如下：

import pandas as pd

# 读取原始csv数据，也可替换为read_excel读取xlsx格式
df = pd.read_csv("你的原始数据文件路径.csv")

# 适用场景：蛋白列用分隔符拼接，示例分隔符为逗号，可自行替换
df = df.assign(结合蛋白=df["你的蛋白列名称"].str.split(",")).explode("结合蛋白")

# 适用场景：原始为交叉表，可替换为下述逆透视代码
# df = df.melt(id_vars="你的TF列名称", var_name="结合蛋白", value_name="结合标记").drop("结合标记", axis=1)

# 导出结果
df.to_csv("转换后结果.csv", index=False)

3. R 代码实现（适合生信分析场景） #

使用tidyverse生态的函数实现，示例代码如下：

library(tidyverse)

# 读取原始数据
df <- read_csv("你的原始数据文件路径.csv")

# 适用场景：蛋白列用分隔符拼接，示例分隔符为逗号，可自行替换
df_long <- df %>% 
  separate_rows(你的蛋白列名称, sep = ",")

# 适用场景：原始为交叉表，可替换为下述长表转换代码
# df_long <- df %>% 
#   pivot_longer(!你的TF列名称, names_to = "结合蛋白", values_to = "结合标记") %>% 
#   select(-结合标记)

# 导出结果
write_csv(df_long, "转换后结果.csv")

内容的提问来源于stack exchange，提问作者Zizogolu