基因标识数据处理：提取指定片段并过滤重复组合行

嘿，我来给你分享两种实用的实现方案，刚好对应你需要的两步操作——先提取V1列下划线后的非数字特征，再过滤重复的V1-V2组合。不管你用Python/Pandas还是R语言，都能轻松搞定：

方案一：Python + Pandas 实现 #

Pandas是处理表格数据的利器，非常适合这类生物信息学数据的批量处理。

步骤1：提取V1列的目标特征 #

我们需要先拆分V1字符串，取下划线_后的部分，再去掉其中的数字和多余的符号（比如末尾的点）：

• 用str.split()拆分下划线，取第二部分；
• 用正则表达式\d+匹配所有数字并替换为空；
• 用str.rstrip('.')去掉末尾的点（对应例子中K277N.转成KN的需求）。

步骤2：过滤重复的V1-V2组合 #

用drop_duplicates()方法，指定以处理后的V1和V2作为去重依据，保留第一次出现的行即可。

完整代码示例

import pandas as pd

# 原始数据（如果是从文件读取，可替换为 pd.read_csv('your_data.txt', sep='\s+')）
raw_data = [
    ["ENSP00000222573_N559D", "ENSG00000105855"],
    ["ENSP00000222573_N559D", "ENSG00000105855"],
    ["ENSP00000267853_E337*", "ENSG00000108239"],
    ["ENSP00000299441_R1672P,R1672G", "ENSG00000127415"],
    ["ENSP00000334642_K277N.", "ENSG00000134324"],
    ["ENSP00000342952_N585R", "ENSG00000134324"]
]

# 转为DataFrame
df = pd.DataFrame(raw_data, columns=["V1", "V2"])

# 步骤1：处理V1列
df['V1_processed'] = df['V1'].str.split('_').str[1]
df['V1_processed'] = df['V1_processed'].str.replace(r'\d+', '', regex=True).str.rstrip('.')

# 步骤2：去重，保留唯一的V1_processed-V2组合
df_clean = df.drop_duplicates(subset=['V1_processed', 'V2'], keep='first')

# 输出最终结果
print("处理后的结果：")
print(df_clean[['V1_processed', 'V2']].to_string(index=False))

运行后会输出你需要的最终结果：

V1_processed           V2
          ND ENSG00000105855
          E* ENSG00000108239
        RP,RG ENSG00000127415
          KN ENSG00000134324
          NR ENSG00000134324

方案二：R 语言实现 #

如果你日常用R做生物信息分析，用tidyverse套件可以快速完成同样的操作。

步骤1：提取V1列的目标特征 #

用str_split()拆分下划线，str_remove_all()去掉数字，str_remove()去掉末尾的点：

• str_split(V1, "_", simplify = TRUE)[,2]直接取下划线后的部分；
• str_remove_all(V1_processed, "\\d+")移除所有数字；
• str_remove(V1_processed, "\\.$")移除末尾的点。

步骤2：过滤重复组合 #

用distinct()方法，指定以处理后的V1和V2作为去重依据，自动保留唯一行。

完整代码示例

library(tidyverse)

# 原始数据
raw_data <- tibble(
  V1 = c("ENSP00000222573_N559D", "ENSP00000222573_N559D", "ENSP00000267853_E337*",
         "ENSP00000299441_R1672P,R1672G", "ENSP00000334642_K277N.", "ENSP00000342952_N585R"),
  V2 = c("ENSG00000105855", "ENSG00000105855", "ENSG00000108239",
         "ENSG00000127415", "ENSG00000134324", "ENSG00000134324")
)

# 步骤1：处理V1列
data_processed <- raw_data %>%
  mutate(V1_processed = str_split(V1, "_", simplify = TRUE)[,2]) %>%
  mutate(V1_processed = str_remove_all(V1_processed, "\\d+")) %>%
  mutate(V1_processed = str_remove(V1_processed, "\\.$"))

# 步骤2：去重，保留唯一组合
data_clean <- data_processed %>%
  distinct(V1_processed, V2, .keep_all = FALSE)

# 输出结果
print(data_clean, row.names = FALSE)

运行后同样会得到你需要的最终结果。

内容的提问来源于stack exchange，提问作者Leo