Python 熊猫在多个条件下一次替换多个列的内容

我的df如下所示：

    CHROM     POS   SRR4216489              SRR4216675                  SRR4216480
0     1  127536     ./.                     ./.                         ./. 
1     1  127573     ./.                     0/1:0,5:5:0:112,1,10        ./.
2     1  135032     ./.                     1/1:13,0:13:3240:0,30,361   0/0:13,0:13:3240:0,30,361
3     1  135208     ./.                     0/0:5,0:5:3240:0,20,160     0/1:5,0:5:3240:0,20,160
4     1  138558     1/1:5,0:5:3240:0,29,177 0/0:0,5:5:0:112,1,10        ./.

我想根据某些条件替换样本列的内容。样本柱为SRR4216489、SRR4216675、SRR4216480。我希望将“/”替换为0.5，将开始时0/0的任何内容替换为0.0，将0/1或1/1的任何内容替换为1.0。我理解这涉及到几个过程，其中大部分我可以独立完成，但我不知道将它们联系在一起的语法。例如，我可以对样本SRR4216480执行以下操作：

df['SRR4216675'][df.SRR4216675 == './.'] = 0.5

这很有效，但我不确定如何将其同时应用于所有样本列。我想通过以下方式使用循环：

sample_cols = df.columns[2:]
for s in sample_cols:
    df[s][df.s =='./.'] = 0.5

但这首先看起来不是很泛音，而且它也不接受'df.s'列表中的字符串

下一个挑战是如何解析填充样本列其他部分的变量字符串。我已尝试使用拆分功能：

df=df['SRR4216675'][df.SRR4216675.split(':') == '0/0' ] = 0.0

但我得到：

TypeError: 'float' object is not subscriptable

我确信解决这一问题的一个好方法是使用lambda，例如，但作为熊猫和lambda的新手，我发现这很棘手，我来到这里：

col=df['SRR4216675'][df.SRR4216675.apply(lambda x: x.split(':')[0])]

看起来差不多了，但需要进一步处理以替换该值，而且它看起来有2列，不允许我将其重新整合到现有的df中：

SRR4216675
./.    NaN
0/1    NaN
1/1    NaN
0/0    NaN
0/0    NaN

df['SRR4216675'] = col

ValueError: cannot reindex from a duplicate axis

---

我理解这是1中的几个问题，但我对熊猫还不熟悉，我真的很想解决它。我可以使用pythons标准列表、迭代和字符串解析函数的基本列表和循环来解决这些问题，但在规模上，这将非常缓慢，因为我的全尺寸df有数百万行长，包含500多个样本列。

您可以使用

df.apply

并定义一个函数，如下所示：

In [10]: cols = ('SRR4216675', 'SRR4216480', 'SRR4216489')

In [11]: def replace_vals(row):
    ...:     for col in cols:
    ...:         if row[col] == './.':
    ...:             row[col] = 0.5
    ...:         elif row[col].startswith('0/0'):
    ...:             row[col] = 0
    ...:         elif row[col].startswith('0/1') or row[col].startswith('1/1'):
    ...:             row[col] = 1
    ...:     return row
    ...:
    ...:

In [12]: df.apply(replace_vals, axis=1)
Out[12]:
   CHROM     POS  SRR4216480  SRR4216489  SRR4216675
0      1  127536         0.5         0.5         0.5
1      1  127573         0.5         0.5         1.0
2      1  135032         0.0         0.5         1.0
3      1  135208         1.0         0.5         0.0
4      1  138558         0.5         1.0         0.0

这里有一个更快的方法：

首先，让我们创建一个更大的数据帧，以便我们能够有意义地测量时间差，然后让我们导入一个计时器，以便我们能够测量时间差

In [70]: from timeit import default_timer as timer

In [71]: long_df = pd.DataFrame()

In [72]: for i in range(10000):
    ...:     long_df = pd.concat([long_df, df])

使用上面定义的函数，我们得到：

In [76]: start = timer(); long_df.apply(replace_vals, axis=1); end = timer()

In [77]: end - start
Out[77]: 8.662535898998613

现在，我们定义了一个新函数（为了方便计时），在该函数中，我们在列上循环并应用与上面相同的替换逻辑，只是我们在每个列上使用向量化的

str.startswith

方法：

In [78]: def modify_vectorized():
    ...:     start = timer()
    ...:     for col in cols:
    ...:         long_df.loc[long_df[col] == './.', col] = 0.5
    ...:         long_df.loc[long_df[col].str.startswith('0/0', na=False), col] = 0
    ...:         long_df.loc[long_df[col].str.startswith('0/1', na=False), col] = 1
    ...:         long_df.loc[long_df[col].str.startswith('1/1', na=False), col] = 1
    ...:     end = timer()
    ...:     return end - start

我们重新创建了大型数据帧，并在其上运行了新函数，获得了显著的加速：

In [79]: long_df = pd.DataFrame()

In [80]: for i in range(10000):
    ...:     long_df = pd.concat([long_df, df])
    ...:

In [81]: time_elapsed = modify_vectorized()

In [82]: time_elapsed
Out[82]: 0.44004046998452395

生成的数据帧如下所示：

In [83]: long_df
Out[83]:
    CHROM     POS SRR4216480 SRR4216489 SRR4216675
0       1  127536        0.5        0.5        0.5
1       1  127573        0.5        0.5          1
2       1  135032          0        0.5          1
3       1  135208          1        0.5          0
4       1  138558        0.5          1          0
0       1  127536        0.5        0.5        0.5
1       1  127573        0.5        0.5          1
2       1  135032          0        0.5          1
3       1  135208          1        0.5          0
4       1  138558        0.5          1          0
0       1  127536        0.5        0.5        0.5
1       1  127573        0.5        0.5          1
2       1  135032          0        0.5          1
3       1  135208          1        0.5          0
4       1  138558        0.5          1          0
0       1  127536        0.5        0.5        0.5
...

---

查看pandas系列中的各种

.str

方法和

pd.series.replace（）

方法。例如：

df.loc[：，['SRR4216489'，'SRR4216675'，'SRR4216480']].replace（“./”，0.5，inplace=True）

谢谢你的帮助，我怎么能自动输入列呢？如果我尝试向函数中添加列的参数，然后在调用该函数时将该参数提供给该函数，则该函数无效？更新了我的答案，使您要修改的列更加通用。非常感谢！这个解决方案是可行的，尽管任何进一步的加速建议都是很好的，但不是必需的。我花了大约5分钟的时间来检查一条染色体，但我可以接受（检查有24条染色体）。再次感谢！更新了一个明显更快的选项。希望有帮助！