本文介绍使用 Pandas 对 DataFrame 中连续出现的相同值（如基因名）自动添加 _TE1、_TE2 等递增别名的方法，仅对连续重复项生效，孤立唯一值保持不变。
本文介绍使用 pandas 对 dataframe 中连续出现的相同值（如基因名）自动添加 `_te1`、`_te2` 等递增别名的方法，仅对连续重复项生效，孤立唯一值保持不变。
在生物信息学或序列数据分析中，常需区分同一标识符（如 gene_id）的连续重复出现——例如将连续的 'g1' 标记为 'g1_TE1'、'g1_TE2'，而跳过非连续重复或单次出现的条目。这不同于全局去重或简单计数，关键在于识别“连续块”（consecutive blocks）并为每块内元素编号。
核心思路是三步走：
-
划分连续组：利用
Series.ne(Series.shift())找出值变化的位置，再通过.cumsum()生成唯一组 ID； -
筛选需标记的组：用
groupby.transform('size').gt(1)标记长度 >1 的连续组； -
生成序号后缀：对符合条件的组调用
.cumcount().add(1)得到从 1 开始的序号，并拼接_TE{N}。
以下是完整可运行代码：
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)
# 步骤分解（推荐一次性执行）
s = df_genes['gene_id']
group = s.ne(s.shift()).cumsum() # 连续组标识
g = s.groupby(group)
m = g.transform('size') > 1 # 布尔掩码：True 表示该行属于长度≥2的连续块
# 原地更新：仅对连续重复块中的行追加后缀
df_genes.loc[m, 'gene_id'] += '_TE' + (g.cumcount() + 1).astype(str)
print(df_genes.to_string(index=False))
输出结果：
gene_id
g0
g1_TE1
g1_TE2
g2
g3
g4_TE1
g4_TE2
g4_TE3
✅ 注意事项：
- 该方法严格基于物理顺序与连续性，不依赖全局频次（即
g1若在索引 1–2 连续出现则编号，即使后面索引 10 处还有g1也不影响）； -
cumcount()默认从 0 开始，因此需+1实现TE1起始； - 使用
loc[m, ...]确保只修改目标行，避免 SettingWithCopyWarning； - 若需自定义前缀（如
_iso1）或格式（如TE001），可将astype(str)替换为.map('{:03d}'.format)。
此方案高效、向量化、无需循环，适用于百万级数据，是处理序列化重复标注任务的标准实践。
