Python 大熊猫群体多指标全对比较

问题（正式）

我有一个带有a、b、c、d、e列的平面表df，其中a和b是一对多，正如（b和c）和（c和d）一样。d是唯一索引，e是任意整数

设grouped=df.groupby（by=['a'，'b'，'c']）。然后，每个组基本上由其标签和一组键值对{d:e}组成。如果某个组x中没有其他组y，我希望保留该组x中的所有行，以便

• x、 a==y.a
• x、 b！=y、 b
• 对于x.e中的任意值p和y.e中的任意值u，abs（p-u）<100

如果任何组y满足这些条件，则最终结果中不应包含来自x或y的行

---

相同的问题，已应用

我在生物信息学的背景下使用这个。具体来说，（a，b，c，d，e）=（染色体，链，基因id，转录本id，转录起始位点）。每个基因正好位于一条染色体的一条链上（“+”或“-”，对应于DNA双螺旋的两条链），每个基因至少有一个转录本。每个转录本都有一个转录起始点（TSS），它是转录本在其染色体上的整数位置，以核苷酸碱基对（bp）为单位进行测量。同一基因的两个转录本可能或许多转录本不共享一个TSS

在生物学方面，我想找到没有双向启动子的基因。这意味着我想找到所有没有转录本的基因，它们的起始位点在基因的某个转录起始位点的n个范围内，位于相反的链上。作为旁注，为了便于举例，我选择了n=100，但更精确的生物学n可能在150到1000之间

---

示例数据

a = chromosome    b = strand    c = gene_id    d = transcript_id    e = tss
  chr1              +             ENSG001        ENST001             11865
  chr1              +             ENSG001        ENST002             11868
  chr1              +             ENSG001        ENST003             12006
  chr1              -             ENSG002        ENST004             29370
  chr1              -             ENSG002        ENST005             24886
  chr1              +             ENSG003        ENST006             29550

如果这是完整的数据列表且n=100，则所有行都将包含在答案中。但是，如果n=1000，则只应包括gene_id=ENSG001的前三行

---

注意事项

桌子是巨大的，所以做一个巨大的笛卡尔，把它削下来，等等是不可行的（而且也会很难看）。我可以使用哪些pandas/numpy方法来干净高效地选择符合条件的行？我应该使用groupby以外的东西，或者层次索引或其他东西吗？我对pandas语法不是特别熟悉，因此非常希望使用显式示例

---

谢谢大家!

如果您能提供一个小样本数据和一个所需输出的示例，以便我们更好地可视化和使用，这将非常有用。嗨，aus_lacy-我已经添加了我问题的特定上下文和一些示例数据。请让我知道，如果有什么我可以补充。