本文介绍使用 Pandas 对 DataFrame 中连续出现的相同基因名（如 g1, g4）自动追加 _TE1, _TE2 等序号别名的方法，仅对长度 ≥2 的连续块生效，孤立值保持不变。
本文介绍使用 pandas 对 dataframe 中连续出现的相同基因名（如 `g1`, `g4`）自动追加 `_te1`, `_te2` 等序号别名的方法，仅对长度 ≥2 的连续块生效，孤立值保持不变。
在生物信息学或基因组数据分析中，常需对原始注释中连续重复的基因 ID 进行唯一化标记（例如区分同一基因的不同转录本或外显子事件）。关键在于：仅对“连续出现”的重复值编号，而非全局去重或按频次排序——这要求我们精准识别“连续块”（run-length encoding），而非简单按 groupby('gene_id') 分组。
以下为推荐的高效、向量化解决方案（无需循环或 itertools.groupby）：
import pandas as pd
# 示例数据
df_genes_data = {'gene_id': ['g0', 'g1', 'g1', 'g2', 'g3', 'g4', 'g4', 'g4']}
df_genes = pd.DataFrame(df_genes_data)
# 核心逻辑：识别连续块并编号
s = df_genes['gene_id']
group = s.ne(s.shift()).cumsum() # 为每个连续块分配唯一组号
g = s.groupby(group)
m = g.transform('size').gt(1) # 标记长度 >1 的连续块（即需加别名）
df_genes.loc[m, 'gene_id'] += '_TE' + (g.cumcount() + 1).astype(str)
执行后，df_genes 将精确生成目标输出：
gene_id 0 g0 1 g1_TE1 2 g1_TE2 3 g2 4 g3 5 g4_TE1 6 g4_TE2 7 g4_TE3
关键步骤解析：
-
s.ne(s.shift()).cumsum()：检测当前值是否不同于前一行（ne即!=），首次出现时为True，累积求和形成连续块 ID（如[1,2,2,3,4,5,5,5]）； -
g.transform('size').gt(1)：对每个连续块计算其长度，并生成布尔掩码m，仅True行参与后续修改； -
g.cumcount() + 1：在每块内从 1 开始编号（cumcount()默认从 0 起始）； -
loc[m, ...]确保仅修改需标注的行，避免干扰孤立值（如g0,g2,g3）。
注意事项：
- ✅ 该方法严格基于物理顺序与连续性，不依赖
gene_id全局唯一性或字典序； - ⚠️ 若数据未按
gene_id连续排列（如['g1','g2','g1']），结果将按实际行序分组，非按基因名聚类； - ? 可轻松自定义前缀/后缀（如改为
_iso1,_exon_001），只需修改字符串拼接部分； - ? 避免使用
for循环或iterrows()，在大数据集上性能差距可达百倍以上。
此方案兼顾可读性、健壮性与执行效率，是处理序列化标签任务的标准 Pandas 实践。
