用python进行GEO数据挖掘（学习笔记一）：ID转换_python探针id转geneid

        在这之前，假设阅读者已经对GEO数据库有了一定的了解，并且知道数据下载的几种方式。需要说明的是，R包GEOquery下载数据对网速要求比较高，假如网速不是很好，推荐用代理服务器“西柚云（网址西柚云生信数据下载代理服务 (xiyoucloud.net)）”下载。超快！

进行ID转换之前需要两个文件：

1.基因表达量矩阵文件

2.探针ID与gene symbol对应的文件

以GSE5281为例

加载pandas库

import pandas as pd
'
运行
运行

读取数据

data_5281=pd.read_csv("F:\\bioinformatics\\20220806\\data\\GSE5281\\data5281.csv")
gene_symbo_5281=pd.read_csv("F:\\bioinformatics\\20220806\\data\\GSE5281\\ids5281.csv")

查看数据

print(data_5281)
print(gene_symbo_5281)

 可以发现，data_5281中的探针ID与gene symbol文件中探针ID不同，区别在于data_5281中的探针ID有双引号，为了方便后续操作，下面就先去掉双引号

#将两个数据中的探针ID提取出来，转成列表
list1=gene_symbo_5281['prob_id'].tolist()
list2=data_5281['probe_id'].tolist()
##处理列表中多余的字符串
list22=[]
for i in list2:
    a=i.replace('"','')
    list22.append(a)
##把数据中探针ID多余的双引号删除
data_5281.loc[:,'probe_id']=list22

重新看一下基因表达量矩阵文件data_5281中的探针ID，发现正常了

print(data_5281)

 统计表达数据中的探针ID在gene symbol数据中出现的情况

##统计表达数据中的探针ID在ids数据中出现的情况
listx=[]
for j in list22:
    if j in list1:
        t='y'
    else:
        t='n'
    listx.append(t)
print('TRUE:',listx.count('y'),'FALSE:',listx.count('n'))  ##探针id在ids中出现的情况
 
 
##运行结果：TRUE: 43138 FALSE: 11537

结果显示：有43138个探针ID在gene symbol文件中存在接下来先过滤掉其余的那11537个探针

print('ids中不重复基因的个数：',len(set(gene_symbo_5281['symbol'])))
 
##运行结果：ids中不重复基因的个数： 20857

上述结果说明gene symbol文件中存在一个基因对应多个探针的情况，别急，一步一步地来。

准备提取在ids中存在gene symbol ID的那些数据：

首先找到'y'和'n'与索引的对应,用元组数据（y表示在，n表示不在）

listt=list(enumerate(listx))
print(listt[0:6])
 
 
##长成这个样子的：
#[(0, 'y'), (1, 'y'), (2, 'y'), (3, 'y'), (4, 'y'), (5, 'y')，........]

其次，提取''y"的下标

##提取存在symbol ID的探针相应的行索引
listsuo=[]
for k in listt:
    if k[1]=='y':
        listsuo.append(k[0])
print("ids中有探针ID的行索引号：",listsuo)
print('在ids中存在探针ID的元素个数：',len(listsuo))

 也是43138，与之前的数据对应，说明没有问题

最后，删除那些在ids中没有探针ID的11537个探针数据

##删除掉那些在ids中没有探针ID的数据
data_5281_new=data_5281[data_5281.index.isin(listsuo)]
print(data_5281_new)

得到的数据维度与预期的一致

接下来就可以进行合并啦

不过好像ids数据中的探针名称是prob_id，与表达矩阵中名称probe_id不一样,先修改一下

gene_symbo_5281_new=gene_symbo_5281.rename(columns={'prob_id':'probe_id'})  #探针名改成一致
print(gene_symbo_5281_new)

现在改过来了就开始进行合并

#合并数据
df=pd.merge(gene_symbo_5281_new,data_5281_new,on='probe_id')
print(df)

 到这里有人可能会问，需不需要考虑两个文件中probe_id号的顺序，顺序不一样会不会影响合并结果？

答案是，不会

python中的merge函数与R中的merge函数更优的地方在于，python中的merge函数在以列合并时，不用考虑列中元素的顺序是否一一对应上，merge函数自动以light边列的顺序自动匹配另外一个数据。

上面我们知到symbol id 数据中是一个基因对应多个探针的情况，那么就把同一个symbol ID所对应的多个探针（的行数据）进行分组，为了做到一一对应，计算每一个组中每一个探针在所有样本下的均值，取均值最大的那个探针作为该symbol所对应唯一探针，就OK了！

第一步：计算每一行的均值，并将计算得到的均值添加到新的列

df['values_mean']=df.iloc[:,2:164].apply(lambda x:x.mean(),axis=1)
print(df)

第二步：分组后留下每一个组中均值最大的一个探针

df1=df.groupby('symbol',as_index=False).apply(lambda x:x.nlargest(1,'values_mean'))

可以看到数据维度是20857*164，与预期的结果一致，这样子ID转化就做完了，最后要做的就是删除多余的列就结束！

##删除多于列
df1=pd.DataFrame(df1)
expset=df1.drop(columns=['probe_id','values_mean'])
print(expset)
expset.to_excel('F:\\bioinformatics\\20220806\\data\\GSE5281\\NEW_GSE5281.xlsx',index=False)

 161个样本一个symbol ID列共162列，20857个gene symbol ID与之前一致。这就是最后我们要的结果！