如何提取两个DataFrame的重叠区域并对Data1第4列值求和？

我来帮你搞定这个需求，用Python的pandas库就能轻松实现，具体步骤和代码如下：

步骤1：导入依赖并加载数据 #

首先我们导入pandas，然后把你的Data1和Data2加载成DataFrame，给列命名方便后续处理：

import pandas as pd

# 加载Data1，自定义列名
data1 = pd.read_csv("data1.txt", sep="\s+", header=None, names=["chr", "start", "end", "value"])
# 加载Data2，对应数据列命名（后面的列暂时用不到，不影响）
data2 = pd.read_csv("data2.txt", sep="\s+", header=None, names=["chr", "start", "end", "transcript_id", "col5", "strand", "col7", "col8", "col9", "exon_count", "exon_lengths", "exon_starts"])

步骤2：筛选重叠区域并计算统计值 #

我们按染色体分组处理，只关注两个DataFrame都包含的染色体，然后找出Data1中与Data2区间重叠的条目，再计算对应的统计值：

# 初始化结果DataFrame
result = pd.DataFrame(columns=["chr", "min_start", "max_end", "sum_value"])

# 获取两个DataFrame共有的染色体
common_chromosomes = set(data1["chr"]) & set(data2["chr"])

for chrom in common_chromosomes:
    # 筛选当前染色体的子数据集
    d1_sub = data1[data1["chr"] == chrom].reset_index(drop=True)
    d2_sub = data2[data2["chr"] == chrom].reset_index(drop=True)
    
    # 将Data2的每个区间转换为pandas Interval对象，方便判断重叠
    d2_intervals = d2_sub.apply(lambda row: pd.Interval(row["start"], row["end"], closed="both"), axis=1)
    
    # 标记Data1中哪些条目与Data2的区间重叠
    d1_sub["is_overlapping"] = d1_sub.apply(
        lambda row: any(row["start"] <= interval.right and row["end"] >= interval.left for interval in d2_intervals),
        axis=1
    )
    
    # 过滤出重叠的Data1条目
    overlapping_rows = d1_sub[d1_sub["is_overlapping"]]
    
    if not overlapping_rows.empty:
        # 计算所需的统计值：最小起始位置、最大终止位置、第4列的和
        stats = {
            "chr": chrom,
            "min_start": overlapping_rows["start"].min(),
            "max_end": overlapping_rows["end"].max(),
            "sum_value": overlapping_rows["value"].sum()
        }
        # 添加到结果中
        result = pd.concat([result, pd.DataFrame([stats])], ignore_index=True)

步骤3：按要求格式输出结果 #

最后按照你给出的示例格式输出，这里对求和结果取整和示例保持一致：

# 遍历结果并打印
for _, row in result.iterrows():
    print(f"{row['chr']} {int(row['min_start'])} {int(row['max_end'])} {round(row['sum_value'])}")

运行这段代码后，就会得到你想要的输出：每个染色体一行，包含该染色体上所有重叠区域的最小起始、最大终止，以及对应Data1第4列的求和值。

内容的提问来源于stack exchange，提问作者Callie