Как прочитать и изменить файл (.gct), используя python? - PullRequest
Новая
       4

Как прочитать и изменить файл (.gct), используя python?

1 голос
/ 13 февраля 2020

Какие библиотеки помогут мне прочитать файл gct в python и отредактировать его, как удаление строк со значениями NaN. И как изменится следующий код, если я применю его к файлу .gct? 

data = pd.read_csv('PAAD1.csv')
new_data = data.dropna(axis = 0, how ='any')
print("Old data frame length:", len(data), "\nNew data frame length:",  
       len(new_data), "\nNumber of rows with at least 1 NA value: ", 
       (len(data)-len(new_data)))
new_data.to_csv('EditedPAAD.csv')

Ответы [ 2 ]

2 голосов
/ 13 февраля 2020

Для этого вы должны использовать пакет cmapPy. По сравнению с read_csv это дает вам больше свободы и спецификацию доменов c утилит. Например, если ваш *.gct выглядит следующим образом 

#1.2            
22215   2       
Name    Description Tumor_One   Normal_One
1007_s_at   na  -0.214548   -0.18069
1053_at "RFC2 : replication factor C (activator 1) 2, 40kDa |@RFC2|"    0.868853    -1.330921
117_at  na  1.124814    0.933021
121_at  PAX8 : paired box gene 8 |@PAX8|    -0.825381   0.102078
1255_g_at   GUCA1A : guanylate cyclase activator 1A (retina) |@GUCA1A|  -0.734896   -0.184104
1294_at UBE1L : ubiquitin-activating enzyme E1-like |@UBE1L|    -0.366741   -1.209838
1316_at "THRA : thyroid hormone receptor, alpha (erythroblastic leukemia viral (v-erb-a) oncogene homolog, avian) |@THRA|"  -0.126108   1.486972
1320_at "PTPN21 : protein tyrosine phosphatase, non-receptor type 21 |@PTPN21|" 3.083681    -0.086705
...

Вы можете извлечь только строки с желаемым идентификатором набора зондов (id строки), например, ['1007_s_at', '1053_at', '117_at', '121_at', '1255_g_at', '1294_at UBE1L']

Чтобы прочитать файл, удалите nan в description и сохраните его снова, выполните: 

from cmapPy.pandasGEXpress.parse_gct import parse
from cmapPy.pandasGEXpress.write_gct import write

data = parse('example.gct', rid=['1007_s_at', '1053_at',
                                 '117_at', '121_at',
                                 '1255_g_at', '1294_at  UBE1L'])
# remove nan values from row_metadata (description column)
data.row_metadata_df.dropna(inplace=True)
# remove the entries of .data_df where nan values are in row_metadata
data.data_df = data.data_df.loc[data.row_metadata_df.index]

# Can only write GCT version 1.3
write(data, 'new_example.gct')

new_example.gct выглядит тогда так: 

#1.3
3   2   1   0
id  Description Tumor_One   Normal_One

1053_at RFC2 : replication factor C (activator 1) 2, 40kDa |@RFC2|  0.8689  -1.3309

121_at  PAX8 : paired box gene 8 |@PAX8|    -0.8254 0.1021

1255_g_at   GUCA1A : guanylate cyclase activator 1A (retina) |@GUCA1A|  -0.7349 -0.1841
0 голосов
/ 13 февраля 2020

Быстрый поиск в Google даст вам следующее: https://pypi.org/project/cmapPy/

Что касается кода, если вам не нужны метаданные в 2 первых строках, кажется работать для вашей цели, но вы должны сначала указать, что разделитель равен TAB и пропустить 2 первых строки - pandas.read_csv(PATH_TO_GCT_FILE, sep='\t',skiprows=2)

...