I nostri metadati come DataFrame

Un DataFrame rappresenta una tabella bidimensionale costituita da righe e colonne, simile a un foglio di calcolo Excel. Il DataFrame è uno dei vari tipi di variabile che potrai trovare in Python! In questo workshop, il DataFrame costituisce la variabile principale: infatti nei progetti che affronteremo, i metadati da curare saranno trattati come DataFrame. Quindi, gran parte del nostro lavoro consisterà nella manipolazione e nell’analisi dei metadati strutturati in DataFrame.

Importare il file di metadati come DataFrame

Per prima cosa dobbiamo leggere il file di metadati come un DataFrame:

import pandas as pd

df = pd.read_csv("ERP020892_df.tsv", sep="\t")
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]

Ecco, abbiamo iniziato importando la libreria Pandas per poter sfruttare le sue funzioni. La prima funzione che abbiamo esplorato è read_csv, essenziale per leggere un file tabulare (csv, tsv, ecc.) e convertirlo in un DataFrame. In questa funzione, abbiamo indicato il nome del file tra virgolette (perché è una stringa, un altro tipo di variabile in Python!) e il separatore del file. Nel nostro caso, i metadati sono in formato TSV (Tab-Separated Values), cioè i dati sono separati da un tab. Per questo motivo, nella funzione dobbiamo aggiungere dopo il nome del file, l’opzione sep="\t" per indicare alla funzione che i dati sono separati da tabulazione.

Ah, nota che abbiamo usato una funzione predefinita di Python: print(). Questa funzione è utilizzata per visualizzare ciò che viene inserito tra le sue parentesi. In questa caso gli abbiamo chiesto di mostrarci il DataFrame df.

Let’s code!