如何筛选DataFrame：保留seq_id存在于FASTA文件中的行

我来帮你搞定这个需求——从DataFrame里筛选出seq_1列的ID存在于指定FASTA文件中的行，下面给你两种实用的方案：

方案1：纯Python + Pandas（无需额外生物信息学库） #

如果你不想安装专门的生物信息学工具包，这个方法最直接：

首先写一个函数来提取FASTA文件里的所有序列ID：

def extract_fasta_seq_ids(fasta_file_path):
    seq_ids = []
    with open(fasta_file_path, 'r') as fasta_file:
        for line in fasta_file:
            # 识别FASTA的序列ID行（以>开头）
            if line.startswith('>'):
                # 提取>之后的第一个单词（就是我们要的seq_id）
                seq_id = line.strip().lstrip('>').split()[0]
                seq_ids.append(seq_id)
    # 转换成集合，*提升后续筛选的查找效率*
    return set(seq_ids)

接着读取你的DataFrame并执行筛选：

import pandas as pd

# 假设你的DataFrame已经存在，或者从文件读取（比如pd.read_csv）
df = pd.DataFrame({
    'seq_1': ['seq1', 'seq4', 'seq9', 'seq97', 'seq45'],
    'seq_2': ['seq2', 'seq3', 'seq90', 'seq43', 'seq9'],
    'GC': [68, 89, 45, 56, 67],
    'Length': [15561, 567, 789, 458, 900]
})

# 获取FASTA中的序列ID集合
valid_seq_ids = extract_fasta_seq_ids('your_fasta_file.fasta')

# 筛选出seq_1在有效ID集合中的行
filtered_df = df[df['seq_1'].isin(valid_seq_ids)]

# 查看结果
print(filtered_df)

方案2：用Biopython（专业生物信息学工具） #

如果你的工作经常涉及FASTA/GenBank等序列文件，Biopython会让处理更省心：

先安装Biopython：

pip install biopython

然后编写代码：

from Bio import SeqIO
import pandas as pd

# 读取FASTA文件并提取所有序列ID，直接生成集合
valid_seq_ids = set(record.id for record in SeqIO.parse('your_fasta_file.fasta', 'fasta'))

# 读取DataFrame并筛选
df = pd.DataFrame({
    'seq_1': ['seq1', 'seq4', 'seq9', 'seq97', 'seq45'],
    'seq_2': ['seq2', 'seq3', 'seq90', 'seq43', 'seq9'],
    'GC': [68, 89, 45, 56, 67],
    'Length': [15561, 567, 789, 458, 900]
})

filtered_df = df[df['seq_1'].isin(valid_seq_ids)]

# 输出筛选后的结果
print(filtered_df)

最终输出效果 #

两种方案都会得到你期望的DataFrame：

seq_1 seq_2  GC  Length
0   seq1  seq2  68   15561
2   seq9 seq90  45     789
3  seq97 seq43  56     458

小提示：用集合存储序列ID而不是列表，是因为集合的成员查找操作时间复杂度是O(1)，远快于列表的O(n)，当FASTA文件有大量序列时，这个优化会非常明显。

内容的提问来源于stack exchange，提问作者Grendel