为新数据添加具有唯一标识符的列，但在python中为以前的数据维护唯一标识符

我有一个tsv文件（第1列=唯一id，第2列=组关联），如下所示：

BC187   1 
L1374   1
YJM1332 1
YPS128  2 
YPS606  2
YJM1273 2
UWOPS03.461.4   3 
UWOPS05.217.3   3
UWOPS05.227.2   3

本质上，BC187、L1374和YJM1332都属于第1组，等等

我生成的输出是另一个独特个体列表，如下所示：

Y12
DBVPG604
GE14S01.7B

我可以通过以下方式将第二个列表附加到tsv文件：

with open('~/clade.file.txt', 'a') as f:
divergedstrain.to_csv(f, header = False, index = False)

要获取以下列表：

BC187   1 
L1374   1
YJM1332 1
YPS128  2 
YPS606  2
YJM1273 2
UWOPS03.461.4   3 
UWOPS05.217.3   3
UWOPS05.227.2   3
Y12
DBVPG604
GE14S01.7B

但现在我需要给三个新的独特个体（Y12、DBVPG604、GE14S01.7B）它们自己独特的关联，如下所示：

BC187   1 
L1374   1
YJM1332 1
YPS128  2 
YPS606  2
YJM1273 2
UWOPS03.461.4   3 
UWOPS05.217.3   3
UWOPS05.227.2   3
Y12   4 
DBVPG604   5
GE14S01.7B 6

---

我不确定通过python或bash实现这一点的最佳方法是什么。任何建议

这里有一种方法：

from pandas import DataFrame as df
from pandas import read_csv

file_path = 'clade.file.txt'

divergedstrain = df(["Y12", "DBVPG604", "GE14S01.7B", "Y12"])
with open(file_path, 'a') as f:
    divergedstrain.to_csv(f, header=False, index=False)

df = read_csv(file_path, header=None, delimiter=' ', skipinitialspace=True, usecols=[0, 1])

ids = {}
for index, row in df.iterrows():
    if row[0] not in ids and row[1] == row[1]:
        ids[row[0]] = row[1]


def set_and_save(curr_row):
    if curr_row[1] != curr_row[1]:
        if curr_row[0] in ids:
            curr_row[1] = ids[curr_row[0]]
        else:
            new_id = max(ids.values()) + 1
            ids[curr_row[0]] = new_id
            curr_row[1] = new_id
    return curr_row


df = df.apply(set_and_save, axis=1)
print(df)

输出：

                0    1
0           BC187  1.0
1           L1374  1.0
2         YJM1332  1.0
3          YPS128  2.0
4          YPS606  2.0
5         YJM1273  2.0
6   UWOPS03.461.4  3.0
7   UWOPS05.217.3  3.0
8   UWOPS05.227.2  3.0
9             Y12  4.0
10       DBVPG604  5.0
11     GE14S01.7B  6.0
12            Y12  4.0

---

以下是一种方法：

from pandas import DataFrame as df
from pandas import read_csv

file_path = 'clade.file.txt'

divergedstrain = df(["Y12", "DBVPG604", "GE14S01.7B", "Y12"])
with open(file_path, 'a') as f:
    divergedstrain.to_csv(f, header=False, index=False)

df = read_csv(file_path, header=None, delimiter=' ', skipinitialspace=True, usecols=[0, 1])

ids = {}
for index, row in df.iterrows():
    if row[0] not in ids and row[1] == row[1]:
        ids[row[0]] = row[1]


def set_and_save(curr_row):
    if curr_row[1] != curr_row[1]:
        if curr_row[0] in ids:
            curr_row[1] = ids[curr_row[0]]
        else:
            new_id = max(ids.values()) + 1
            ids[curr_row[0]] = new_id
            curr_row[1] = new_id
    return curr_row


df = df.apply(set_and_save, axis=1)
print(df)

输出：

                0    1
0           BC187  1.0
1           L1374  1.0
2         YJM1332  1.0
3          YPS128  2.0
4          YPS606  2.0
5         YJM1273  2.0
6   UWOPS03.461.4  3.0
7   UWOPS05.217.3  3.0
8   UWOPS05.227.2  3.0
9             Y12  4.0
10       DBVPG604  5.0
11     GE14S01.7B  6.0
12            Y12  4.0

---

是什么使元素独特，是什么使它们成为同一组的一部分？我们如何知道附加的新值不属于以前的组，或者它们之间是否共享组？嗨@implezabot！感谢您的解决方案，现在就完成它。你提出了一个很好的问题，这也是我正在研究的问题的另一个方面。但在上面的例子中，我使用基因序列差异来确定个体与先前定义的集合（例如BC187到UWOPS05.227.2）的差异程度。因此，上述个体（Y12、DBVPG604和GE14S01.7B）均被视为基于测试的分歧个体，因此是唯一的。但添加与之前定义的其他组最相似的个体是下一步：）是什么使元素独特，是什么使它们成为同一组的一部分？我们如何知道附加的新值不属于以前的组，或者它们之间是否共享组？嗨@implezabot！感谢您的解决方案，现在就完成它。你提出了一个很好的问题，这也是我正在研究的问题的另一个方面。但在上面的例子中，我使用基因序列差异来确定个体与先前定义的集合（例如BC187到UWOPS05.227.2）的差异程度。因此，上述个体（Y12、DBVPG604和GE14S01.7B）均被视为基于测试的分歧个体，因此是唯一的。但下一步是添加与之前定义的其他组最相似的个人：）

set_和_save

可以根据您的需要进行简化/修改。我将其设置为现在的状态，这样，如果两个序列相同（不确定是否是这种情况），它们将获得相同的id（这就是

ids

字典的原因）。

set\u和\u save

可以根据需要简化/修改。我将其设置为现在的状态，这样，如果两个序列相同（不确定是否相同），它们将获得相同的id（这就是

ids

字典的原因）。