如何基于基因名称前缀匹配统计DataFrame与基因列表的匹配次数？

我来帮你搞定这个需求——核心是要先从带后缀的基因ID里提取出前缀，再统计唯一匹配的基因种类，而不是像原代码那样统计匹配的行数。下面是分步的解决方案：

问题分析 #

你的原代码用str.contains结合行匹配计数，得到的是满足条件的行数（示例里的6），但我们需要的是去重后的基因种类数（示例里的2）。另外需要准确提取基因ID的前缀，和目标列表里的基因名称对应上。

解决方案代码 #

import pandas as pd
import re  # 用于更鲁棒的前缀提取（可选）

# 1. 读取数据并清理冗余列
df = pd.read_csv("test_busco_augus.csv", sep=',')
# 自动移除所有Unnamed开头的冗余列
df = df.drop(columns=[col for col in df.columns if 'Unnamed' in col], errors='ignore')

# 2. 定义目标基因前缀列表并预处理
liste = ["EOG090X00LI_", "EOG090X00GO_", "EOG090X00BA_"]
# 去掉每个前缀末尾的下划线，转换成集合（集合查找速度比列表快）
target_prefixes = {prefix.rstrip('_') for prefix in liste}

# 3. 编写前缀提取函数
def extract_gene_prefix(gene_id):
    # 方案1：按第一个下划线分割（适合固定格式的ID）
    # return gene_id.split('_', 1)[0]
    
    # 方案2：用正则匹配更鲁棒（适配可能的复杂格式）
    match = re.match(r'([A-Z0-9]+)_', gene_id)
    return match.group(1) if match else gene_id  # 无下划线时返回原ID

# 4. 提取所有基因ID的前缀
# 合并qseqid和sseqid两列的所有基因ID
all_gene_ids = pd.concat([df['qseqid'], df['sseqid']])
# 对每个ID提取前缀
all_prefixes = all_gene_ids.apply(extract_gene_prefix)

# 5. 筛选匹配的前缀并统计唯一数量
# 找出在目标集合里的前缀
matching_prefixes = all_prefixes[all_prefixes.isin(target_prefixes)]
# 去重后统计数量
unique_match_count = matching_prefixes.nunique()

print(f"唯一匹配的基因种类数：{unique_match_count}")

代码解释 #

• 数据清理：自动移除冗余的Unnamed列，避免后续操作出错。
• 目标集合预处理：把列表转成集合，同时去掉末尾的下划线，让匹配更准确且查找效率更高。
• 前缀提取：提供两种方案，第一种适合格式固定的ID（第一个下划线前是前缀），第二种用正则更灵活，能适配更多可能的ID格式。
• 合并与去重：把两列的基因ID合并后统一处理，最后用nunique()统计去重后的匹配数量，这就是我们需要的最终结果。

原代码的问题说明 #

原代码的(m1 & m2).sum()是统计同时满足qseqid和sseqid都包含目标前缀的行数，而不是统计唯一的基因种类。比如你的示例里有6行满足这个条件，但这些行都属于2个基因，所以得到的6不是你需要的结果。

内容的提问来源于stack exchange，提问作者Grendel