FASTA文件ID提取及DataFrame行筛选技术问题求助

我来帮你搞定这两个技术问题：

问题1：提取FASTA序列ID中第一个下划线前的部分 #

你之前的代码里用了[record.id.index("_")::-1]，这个切片是从第一个下划线的位置反向截取到开头，所以结果才会是反转的字符串（比如g1.t1变成了t.1g）。要得到你想要的第一个下划线之前的内容，有两种简单可靠的方法：

方法1：字符串切片定位 #

找到第一个下划线的索引，直接截取该位置之前的子串：

from Bio import SeqIO

# 替换成你的FASTA文件路径
sp1_aa_corrected = "your_input.fasta"
for record in SeqIO.parse(sp1_aa_corrected, 'fasta'):
    # 获取第一个下划线的位置，截取前面的内容
    target_id = record.id[:record.id.index("_")]
    print(target_id)

方法2：split分割（更直观） #

用下划线作为分隔符拆分ID字符串，取第一个元素即可：

from Bio import SeqIO

sp1_aa_corrected = "your_input.fasta"
for record in SeqIO.parse(sp1_aa_corrected, 'fasta'):
    target_id = record.id.split("_")[0]
    print(target_id)

这两种方法都能输出你需要的g1.t1、g2.t1这类结果。

问题2：从DataFrame中提取特定gene_name的行 #

假设你的原始DataFrame名为df，只需要用布尔索引就能快速筛选出目标行，生成新的DataFrame：

方法1：布尔索引（最常用） #

# 筛选gene_name等于"g2.t1"的所有行
new_df = df[df['gene_name'] == "g2.t1"]
# 可选：重置新DataFrame的索引（避免保留原索引的间隙）
new_df = new_df.reset_index(drop=True)
print(new_df)

方法2：query方法（语法更简洁） #

如果喜欢更接近自然语言的写法，可以用query()：

new_df = df.query('gene_name == "g2.t1"')
new_df = new_df.reset_index(drop=True)
print(new_df)

运行后就能得到你想要的只包含g2.t1的新DataFrame。

内容的提问来源于stack exchange，提问作者Grendel