如何用Python Pandas实现Pos_A升序、Pos_B降序的连续数值配对识别
实现方案
核心判断规则对齐需求:逐行校验相邻行的数值关系,只要同时满足Pos_A较上一行+1(升序连续)、Pos_B较上一行-1(降序连续),就归为同一个连续组;只要任意一个条件不满足,就开启新的连续组,最后给每个组计算对应的组ID和组内元素数即可。
可直接运行的代码实现
import pandas as pd # 1. 读取/加载你的原始表格数据 # df = pd.read_excel("你的表格文件路径.xlsx") # 这里用模拟数据演示效果 df = pd.DataFrame({ "nucleotide": ["A", "T", "G", "C", "A", "T", "G", "C", "A"], "Pos_A": [10, 11, 12, 13, 15, 16, 17, 20, 21], "Pos_B": [25, 24, 23, 22, 21, 20, 19, 18, 17] }) # 2. 计算相邻行的差值,判断连续组断裂点 diff_a = df["Pos_A"].diff() diff_b = df["Pos_B"].diff() # 标记每个新连续组的起点:第一行必然是组起点,之后不满足双连续条件就算新组起点 new_group_flag = (diff_a != 1) | (diff_b != -1) new_group_flag.iloc[0] = True # 3. 累计求和生成连续组ID df["Consecutive ID"] = new_group_flag.cumsum() # 4. 计算每个组的成员数,映射回每一行生成连续组大小字段 df["Consecutive Number (Size)"] = df.groupby("Consecutive ID")["nucleotide"].transform("size")
效果验证
用上面的模拟数据跑出来的标注结果为:
- 前4行(Pos_A:10→11→12→13,Pos_B:25→24→23→22):Consecutive ID=1,组大小4
- 中间3行(Pos_A:15→16→17,Pos_B:21→20→19):Consecutive ID=2,组大小3
- 最后2行(Pos_A:20→21,Pos_B:18→17):Consecutive ID=3,组大小2
常见踩坑提示
- 处理前必须确认原始数据是按Pos_A升序排列的,如果排序错乱,直接计算会把本来连续的序列拆成多个组
- 如果Pos_A、Pos_B列存在空值,需要先做缺失值清洗,否则
diff计算会返回NaN,触发新组标记逻辑,导致分组完全错乱 - 如果需要调整连续规则的容差(比如允许Pos_A差2、Pos_B差2也算连续),只需要修改
new_group_flag的判断条件即可
内容的提问来源于stack exchange,提问作者user3286351
相关产品推荐
相关产品推荐

