📖 DataFrames columns
Let’s start manipulating the Dataframe!
Riprendiamo da dove eravamo rimasti:
print(df)
study_accession secondary_study_accession sample_accession \
0 PRJEB18925 ERP020892 SAMEA46804918
1 PRJEB18925 ERP020892 SAMEA46799668
2 PRJEB18925 ERP020892 SAMEA46802668
3 PRJEB18925 ERP020892 SAMEA46803418
4 PRJEB18925 ERP020892 SAMEA46798918
5 PRJEB18925 ERP020892 SAMEA46801168
secondary_sample_accession experiment_accession run_accession \
0 ERS1500521 ERX1845438 ERR1781715
1 ERS1500514 ERX1845431 ERR1781708
2 ERS1500518 ERX1845435 ERR1781712
3 ERS1500519 ERX1845436 ERR1781713
4 ERS1500513 ERX1845430 ERR1781707
5 ERS1500516 ERX1845433 ERR1781710
submission_accession tax_id scientific_name_exp instrument_platform \
0 ERA787503 539655.0 human skin metagenome ILLUMINA
1 ERA787503 539655.0 human skin metagenome ILLUMINA
2 ERA787503 539655.0 human skin metagenome ILLUMINA
3 ERA787503 539655.0 human skin metagenome ILLUMINA
4 ERA787503 539655.0 human skin metagenome ILLUMINA
5 ERA787503 539655.0 human skin metagenome ILLUMINA
... barcode_y center_name linker primer run_prefix \
0 ... ACTCAGATACTC CCME GT GTGCCAGCMGCCGCGGTAA s_6_1_sequences
1 ... AGCACGAGCCTA CCME GT GTGCCAGCMGCCGCGGTAA s_6_1_sequences
2 ... AGACGTGCACTG CCME GT GTGCCAGCMGCCGCGGTAA s_6_1_sequences
3 ... ACGGATCGTCAG CCME GT GTGCCAGCMGCCGCGGTAA s_6_1_sequences
4 ... AACTCGTCGATG CCME GT GTGCCAGCMGCCGCGGTAA s_6_1_sequences
5 ... AGCTGACTAGTC CCME GT GTGCCAGCMGCCGCGGTAA s_6_1_sequences
collection_timestamp_y dna_extracted_y physical_specimen_location_y \
0 04/06/2010 True UCSDMI
1 04/06/2010 True UCSDMI
2 04/06/2010 True UCSDMI
3 04/06/2010 True UCSDMI
4 04/06/2010 True UCSDMI
5 04/06/2010 True UCSDMI
physical_specimen_remaining_y sample_location
0 False UCSDMI
1 False UCSDMI
2 False UCSDMI
3 False UCSDMI
4 False UCSDMI
5 False UCSDMI
[6 rows x 193 columns]
Ora che hai creato un DataFrame chiamato df, hai la possibilità di richiamarlo quante volte desideri. Tuttavia, quando il DataFrame contiene molte colonne o righe, potrebbe essere complicato esplorarne il contenuto tramite una semplice stampa. Nel nostro caso, con un numero elevato di colonne, vengono mostrate tutt le righe perché il nostro df ha effettivamente solo 6 righe, e solo alcune delle molte colonne del df per rendere più gestibile la visualizzazione.
Nella stampa del DataFrame, puoi notare una barra inversa \ che indica che le righe stanno continuando a capo nella visualizzazione del print, ma nella realtà dei dati non ci sono interruzioni. Inoltre, puoi vedere dei puntini di sospensione ..., che indicano che molte colonne sono omesse dalla visualizzazione.
Let’s start manipulating the Dataframe: .columns
Iniziamo a indagare questo DataFrame. Per esempio, una prima domanda che possiamo farci è: quali colonne ci sono nei miei metadati?
colonne = df.columns
Per rispondere possiamo usare un metodo già predefinito in Python: .columns. Digitando il nome del DataFrame seguito da .columns() otteniamo il nome di tutte le colonne presenti nel DataFrame. Per usare questa informazione è utile creare una variabile, nell’esempio a sinistra abbiamo usato colonne, che contenga questa informazione, in modo da utilizzarla in seguito.
Let’s start manipulating the Dataframe: print(colonne)
Vediamo cosa contiene la nostra variabile colonne.
print(colonne)
Index(['study_accession', 'secondary_study_accession', 'sample_accession',
'secondary_sample_accession', 'experiment_accession', 'run_accession',
'submission_accession', 'tax_id', 'scientific_name_exp',
'instrument_platform',
...
'barcode_y', 'center_name', 'linker', 'primer', 'run_prefix',
'collection_timestamp_y', 'dna_extracted_y',
'physical_specimen_location_y', 'physical_specimen_remaining_y',
'sample_location'],
dtype='object', length=193)
Visualizziamo le nostre colonne! Per farlo, usiamo la funzione che conosciamo già: print(). Come vedi, essendo 193 colonne (length = 193), in questo modo non riusciamo a vedere tutti nomi delle colonne, ma come al solito troviamo i puntini di sospensione ... che ci indicano che il nome di molte colonne è omesso dalla stampa… Ci servirebbe un modo per stampare tutti i nomi delle colonne…
Let’s start manipulating the Dataframe: .to_list()
Rendiamo la nostra variabile colonne in una lista e visualizziamola!
lista_colonne = colonne.to_list()
print(lista_colonne)
['study_accession', 'secondary_study_accession', 'sample_accession', 'secondary_sample_accession', 'experiment_accession', 'run_accession', 'submission_accession', 'tax_id', 'scientific_name_exp', 'instrument_platform', 'instrument_model_x', 'library_name_x', 'library_layout_x', 'library_strategy_x', 'library_source_x', 'library_selection_x', 'read_count', 'base_count', 'center_name_exp', 'first_public', 'last_updated', 'experiment_title_x', 'study_title_x', 'study_alias_x', 'experiment_alias_x', 'run_alias_x', 'fastq_bytes', 'fastq_md5', 'fastq_ftp', 'fastq_aspera', 'fastq_galaxy', 'sra_bytes', 'sra_md5', 'sra_ftp', 'sra_aspera', 'sra_galaxy', 'sample_alias_x', 'sample_title_x', 'first_created', 'center_name_sam', 'PRIMARY_ID', 'EXTERNAL_ID', 'SUBMITTER_ID', 'TITLE', 'TAXON_ID', 'SCIENTIFIC_NAME', 'ENA-FASTQ-FILES', 'ENA-SUBMITTED-FILES', 'organism', 'ENA-FIRST-PUBLIC_x', 'ENA-LAST-UPDATE_x', 'DESCRIPTION', 'submitted_bytes', 'submitted_md5', 'submitted_ftp', 'submitted_aspera', 'submitted_galaxy', 'submitted_format', 'ENA-CHECKLIST', 'host scientific name_x', 'latitude_x', 'physical_specimen_location_x', 'collection_timestamp_x', 'env_material_x', 'longitude_x', 'elevation_x', 'dna_extracted_x', 'physical_specimen_remaining_x', 'host subject id_x', 'sample type_x', 'DOI_left', 'body product_x', 'env biome_x', 'env feature_x', 'host taxid_x', 'body site_x', 'host common name', 'body habitat_x', 'public_x', 'anonymized name_x', 'env package_x', 'sample location', 'updated_date', 'spots.x', 'bases.x', 'experiment_ID', 'experiment', 'sample_ID_y', 'sample', 'study_ID', 'study', 'submission_ID', 'submission', 'sradb_updated', 'ReleaseDate', 'LoadDate', 'spots.y', 'bases.y', 'spots_with_mates', 'avgLength', 'size_MB', 'download_path', 'Experiment', 'LibraryName', 'LibraryStrategy', 'LibrarySelection', 'LibrarySource', 'LibraryLayout', 'InsertSize', 'InsertDev', 'Platform', 'Model', 'SRAStudy', 'BioProject', 'ProjectID', 'Sample', 'BioSample', 'SampleType_y', 'TaxID', 'ScientificName', 'SampleName', 'Tumor', 'CenterName', 'Submission', 'Consent', 'RunHash', 'ReadHash', 'Year_of_release', 'DOI', 'run_alias_y', 'experiment_alias_y', 'experiment_title_y', 'library_name_y', 'library_strategy_y', 'library_source_y', 'library_selection_y', 'library_layout_y', 'library_construction_protocol', 'platform', 'instrument_model_y', 'platform_parameters', 'sample_alias_y', 'taxon_id', 'description', 'study_alias_y', 'study_title_y', 'study_type', 'study_abstract', 'center_project_name_y', 'submission_lab', 'env_biome_y', 'env_feature_y', 'env_material_y', 'run_attribute', 'ENA-FIRST-PUBLIC_y', 'ENA-LAST-UPDATE_y', 'host_subject_id_y', 'design_description', 'env_package_y', 'Body_Site_y', 'body_site_y', 'run_date', 'run_center', 'anonymized_name', 'pcr_primers', 'sequencing_meth', 'target_gene', 'target_subfragment', 'body_habitat', 'body_product', 'elevation_y', 'host_common_name_y', 'host_taxid_y', 'latitude_y', 'longitude_y', 'title', 'experiment_center', 'samp_size_y', 'sample_center', 'illumina_technology_y', 'sample_type_y', 'public_y', 'host scientific name_y', 'barcode_y', 'center_name', 'linker', 'primer', 'run_prefix', 'collection_timestamp_y', 'dna_extracted_y', 'physical_specimen_location_y', 'physical_specimen_remaining_y', 'sample_location']
Guarda: abbiamo trasformato la nostra variabile colonne in una lista usando il metodo to_list(), e abbiamo immagazzinato il risultato di questo passaggio in una nuova variabile lista_colonne. Visualizzando lista_colonne abbiamo come output la lista di tutte e 193 le colonne!