基于两列合并数据帧

Question

我有两个数据框。一个包含所有突变的列表（+ 相关分数），另一个包含实际观察到的突变子集（+ 测量值）。

我想将我的第二个数据框（观察到的子集）合并到我更大的数据框（所有可能的）中，并带来与观察到的突变（拟合值）相关的数据。但是，当我这样做时，我的合并数据框显示所有拟合值的 NaN。

我尝试合并的代码如下，其中包含我的数据帧示例和结果输出（如 s1）。

s1 = pd.merge(data_frame, data_frame_2, how='left', on=['position', 'mutation'])

    data_frame #all possible

position    mutation    A_score Normalized_A_Score

0   1   *   0.00    0.000000

1   1   A   849.69  100.007062

2   1   C   849.94  100.036486

3   1   D   849.76  100.015301

4   1   E   849.67  100.004708

5   1   F   849.00  99.925850

6   1   G   849.56  99.991761

7   1   H   849.83  100.023540

8   1   I   849.63  100.000000

9   1   K   851.51  100.221273

10  1   L   849.56  99.991761

11  1   M   849.63  100.000000

12  1   N   849.63  100.000000

13  1   P   849.00  99.925850

14  1   Q   849.13  99.941151

15  1   R   851.70  100.243635

16  1   S   849.15  99.943505

17  1   T   849.94  100.036486

18  1   V   849.63  100.000000

19  1   W   849.00  99.925850

20  1   Y   849.10  99.937620

data_frame_2 #observed

position    mutation    fit_val adjusted_fit_val

0   1   *   0.633847    0.274555

1   1   A   0.832698    0.473406

2   1   C   0.857012    0.497719

3   1   D   0.873119    0.513827

4   1   E   0.859805    0.500512

5   1   F   0.359053    -0.000239

6   1   G   0.786489    0.427197

7   1   H   0.876687    0.517395

8   1   I   0.820826    0.461534

9   1   K   0.886447    0.527154

10  1   L   0.868197    0.508905

11  1   N   0.909416    0.550124

12  1   P   0.843697    0.484405

13  1   Q   0.838892    0.479600

14  1   R   0.878175    0.518883

15  1   S   0.981739    0.622446

16  1   T   0.709694    0.350402

17  1   W   0.866746    0.507453

18  1   Y   0.876647    0.517355

当我将数据框合并在一起时，为什么 data_frame_2 中的 fit_val 或 adjust_fit_val 列值不会显示？感谢您对理解的任何帮助！

Answer 1

我认为有不同类型的列position- 字符串和整数：data_frame['position'] = data_frame['position'].astype(int)data_frame_2['position'] = data_frame_2['position'].astype(int)s1 = pd.merge(data_frame, data_frame_2, how='left', on=['position', 'mutation'])print (s1)    position mutation  A_score  Normalized_A_Score   fit_val  adjusted_fit_val0          1        *     0.00            0.000000  0.633847          0.2745551          1        A   849.69          100.007062  0.832698          0.4734062          1        C   849.94          100.036486  0.857012          0.4977193          1        D   849.76          100.015301  0.873119          0.5138274          1        E   849.67          100.004708  0.859805          0.5005125          1        F   849.00           99.925850  0.359053         -0.0002396          1        G   849.56           99.991761  0.786489          0.4271977          1        H   849.83          100.023540  0.876687          0.5173958          1        I   849.63          100.000000  0.820826          0.4615349          1        K   851.51          100.221273  0.886447          0.52715410         1        L   849.56           99.991761  0.868197          0.50890511         1        M   849.63          100.000000       NaN               NaN12         1        N   849.63          100.000000  0.909416          0.55012413         1        P   849.00           99.925850  0.843697          0.48440514         1        Q   849.13           99.941151  0.838892          0.47960015         1        R   851.70          100.243635  0.878175          0.51888316         1        S   849.15           99.943505  0.981739          0.62244617         1        T   849.94          100.036486  0.709694          0.35040218         1        V   849.63          100.000000       NaN               NaN19         1        W   849.00           99.925850  0.866746          0.50745320         1        Y   849.10           99.937620  0.876647          0.517355