如何在DataFrame中查找指定rs_id对应的最高频率组合

嘿，我来帮你搞定这个问题！针对你那2000行10列的DataFrame，要找出rs_id为0、1、2时的最高频率基因型组合（比如A.Ag、B.Bg、C.Ag这类组合），用pandas就能轻松实现，具体步骤如下：

1. 先筛选目标rs_id的数据 #

首先我们把范围缩小到rs_id等于0、1、2的行，避免处理无关数据：

import pandas as pd

# 假设你的DataFrame名为df，rs_id列的列名是'rs_id'
target_rs_ids = [0, 1, 2]
filtered_data = df[df['rs_id'].isin(target_rs_ids)]

2. 分组统计最高频率组合 #

接下来我们按rs_id分组，对每组内的基因型列（比如你提到的A、B、C列）的组合进行频率统计，找出每组中出现次数最多的组合：

# 定义函数：传入一个分组，返回该组的最高频率组合及对应次数
def find_top_combination(group):
    # 将A、B、C列的内容用'.'连接成一个组合字符串，然后统计每个组合的出现次数
    combo_counts = group[['A', 'B', 'C']].agg('.'.join, axis=1).value_counts()
    # 获取频率最高的组合和对应的次数
    top_combo = combo_counts.idxmax()
    top_freq = combo_counts.max()
    return pd.Series({'最高频率组合': top_combo, '出现次数': top_freq})

# 按rs_id分组应用函数，得到结果
result_df = filtered_data.groupby('rs_id').apply(find_top_combination).reset_index()

3. 查看最终结果 #

运行完上面的代码后，result_df就是你要的结果啦，它会展示每个目标rs_id对应的最高频率组合和出现次数，示例输出大概是这样：

一些补充说明 #

• 请记得把代码里的['A', 'B', 'C']替换成你DataFrame中实际存储基因型的列名哦。
• 如果你的组合分隔符不是.，可以修改agg('.'.join, axis=1)里的分隔符，比如改成'_'或者其他你需要的符号。
• 如果有多个组合频率相同且都是最高的，上面的函数只会返回第一个出现的组合。如果你需要获取所有最高频率的组合，可以用下面这个修改版的函数：

def find_all_top_combinations(group):
    combo_counts = group[['A', 'B', 'C']].agg('.'.join, axis=1).value_counts()
    max_frequency = combo_counts.max()
    # 筛选出所有频率等于最大值的组合
    all_top_combos = combo_counts[combo_counts == max_frequency].index.tolist()
    return pd.Series({'所有最高频率组合': all_top_combos, '出现次数': max_frequency})

内容的提问来源于stack exchange，提问作者MSM