如何根据数值大小将两个96孔板对应读值（ELISA实验比色读值）筛选出来

最新推荐文章于 2025-10-10 08:52:12 发布

原创最新推荐文章于 2025-10-10 08:52:12 发布 · 477 阅读

0 ·

CC 4.0 BY-SA版权

文章标签：

#python #机器学习 #线性代数

pandas 专栏收录该内容

11 篇文章

订阅专栏

这篇博客介绍了如何使用Python的pandas库，通过设置阈值筛选96孔板中两块板对应位置的读值，当两个孔的读值都大于1时，提取这些孔的位置和读值。具体操作包括使用条件筛选、where方法和mask方法来实现数据过滤，并展示了筛选后的结果。

#有个小姐姐问我如何根据数值大小将两个96孔板对应读值（ELISA实验比色读值）筛选出来
#或者说这个96孔板的某个孔读值大于1，另一个孔板的对应位置孔的读值也大于1，然后把这两个孔的位置和读值拎出来
import numpy as np
import pandas as pd

df1 = pd.DataFrame(np.random.randn(8,12))
df1

	0	1	2	3	4	5	6	7	8	9	10	11
0	0.781495	-0.956770	-2.041881	-2.131769	-0.434786	0.315795	2.506154	-0.461058	0.046417	-0.876173	2.273990	0.404110
1	0.695166	0.557982	-0.752808	-1.076877	1.288435	1.594994	1.071906	-0.743158	1.396590	1.301780	-1.005444	0.290408
2	-0.876931	0.712162	-0.166832	0.267058	-0.207691	1.261624	-0.403082	0.132663	-1.221775	1.152641	0.499253	-1.754460
3	-0.012622	-0.597558	-0.942167	0.363333	0.801809	-0.120496	0.609882	-0.065820	0.830766	-0.412523	-0.770713	0.344326
4	1.231323	-0.795497	-0.908172	0.639552	0.227574	-0.270995	0.616138	-1.471439	2.071419	1.847138	-0.799393	-0.426353
5	0.186352	0.500882	-1.055367	0.164030	-0.761327	-0.344809	1.474521	-0.811413	0.043872	1.250452	-0.727637	-0.551056
6	0.483201	0.812439	0.359324	-0.172657	-0.597168	-0.434302	-0.449732	0.496633	-1.853756	1.708570	-0.315266	1.454854
7	-0.186381	-0.346896	2.253813	1.121086	0.383741	0.063512	-2.256346	-1.490154	0.777294	-0.911052	1.999403	-2.083665

df2 = pd.DataFrame(np.random.randn(8,12))
df2

	0	1	2	3	4	5	6	7	8	9	10	11
0	-0.144815	1.043357	0.140666	-1.512447	-0.550580	1.492557	-0.076150	0.695161	-1.121538	3.309408	-0.715549	-0.797320
1	-1.049292	0.473925	-0.067462	-0.176861	-1.709414	-0.516771	0.524147	-1.166597	-0.541530	-0.435534	0.694487	-0.710785
2	-1.156838	1.536175	-1.189410	-0.325310	-0.837905	0.131770	1.467033	0.180468	0.212995	-0.355721	0.729965	-0.620106
3	1.394005	-1.813023	-0.038861	0.698648	1.524630	-0.486605	0.420300	-0.070914	0.331405	0.251950	0.110747	-0.678403
4	0.214991	-1.631456	2.005890	1.634248	-1.278251	1.445459	1.026135	1.342661	1.207896	0.908430	-0.246870	-0.127285
5	0.643826	2.089949	0.060166	0.536769	0.162407	-1.112289	-1.686902	0.002583	-0.576754	1.007662	0.634476	-0.038816
6	-0.065258	-0.483580	-0.241495	0.295828	1.993142	1.902192	0.072042	-0.722699	0.600862	0.088476	0.239478	2.057863
7	-3.614046	-0.729890	0.583971	-0.578744	-0.370513	-0.722133	-1.803409	1.615766	-0.706846	0.712729	-2.173237	-0.590307

#简单点来说，我们把阈值设为0，筛选则应该为 df1 > 0 & df2 > 0
df1[(df1 > 0) & (df2 > 0)]

	0	1	2	3	4	5	6	7	8	9	10	11
0	NaN	NaN	NaN	NaN	NaN	0.315795	NaN	NaN	NaN	NaN	NaN	NaN
1	NaN	0.557982	NaN	NaN	NaN	NaN	1.071906	NaN	NaN	NaN	NaN	NaN
2	NaN	0.712162	NaN	NaN	NaN	1.261624	NaN	0.132663	NaN	NaN	0.499253	NaN
3	NaN	NaN	NaN	0.363333	0.801809	NaN	0.609882	NaN	0.830766	NaN	NaN	NaN
4	1.231323	NaN	NaN	0.639552	NaN	NaN	0.616138	NaN	2.071419	1.847138	NaN	NaN
5	0.186352	0.500882	NaN	0.164030	NaN	NaN	NaN	NaN	NaN	1.250452	NaN	NaN
6	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	1.708570	NaN	1.454854
7	NaN	NaN	2.253813	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN

df2[(df1 > 0) & (df2 > 0)]

	0	1	2	3	4	5	6	7	8	9	10	11
0	NaN	NaN	NaN	NaN	NaN	1.492557	NaN	NaN	NaN	NaN	NaN	NaN
1	NaN	0.473925	NaN	NaN	NaN	NaN	0.524147	NaN	NaN	NaN	NaN	NaN
2	NaN	1.536175	NaN	NaN	NaN	0.131770	NaN	0.180468	NaN	NaN	0.729965	NaN
3	NaN	NaN	NaN	0.698648	1.52463	NaN	0.420300	NaN	0.331405	NaN	NaN	NaN
4	0.214991	NaN	NaN	1.634248	NaN	NaN	1.026135	NaN	1.207896	0.908430	NaN	NaN
5	0.643826	2.089949	NaN	0.536769	NaN	NaN	NaN	NaN	NaN	1.007662	NaN	NaN
6	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	0.088476	NaN	2.057863
7	NaN	NaN	0.583971	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN

#pandas的其他函数
df1.where((df1 > 0) & (df2 > 0))

	0	1	2	3	4	5	6	7	8	9	10	11
0	NaN	NaN	NaN	NaN	NaN	0.315795	NaN	NaN	NaN	NaN	NaN	NaN
1	NaN	0.557982	NaN	NaN	NaN	NaN	1.071906	NaN	NaN	NaN	NaN	NaN
2	NaN	0.712162	NaN	NaN	NaN	1.261624	NaN	0.132663	NaN	NaN	0.499253	NaN
3	NaN	NaN	NaN	0.363333	0.801809	NaN	0.609882	NaN	0.830766	NaN	NaN	NaN
4	1.231323	NaN	NaN	0.639552	NaN	NaN	0.616138	NaN	2.071419	1.847138	NaN	NaN
5	0.186352	0.500882	NaN	0.164030	NaN	NaN	NaN	NaN	NaN	1.250452	NaN	NaN
6	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	1.708570	NaN	1.454854
7	NaN	NaN	2.253813	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN

df2.where((df1 > 0) & (df2 > 0),other="$")

	0	1	2	3	4	5	6	7	8	9	10	11
0	$	$	$	$	$	1.49256	$	$	$	$	$	$
1	$	0.473925	$	$	$	$	0.524147	$	$	$	$	$
2	$	1.53617	$	$	$	0.13177	$	0.180468	$	$	0.729965	$
3	$	$	$	0.698648	1.52463	$	0.4203	$	0.331405	$	$	$
4	0.214991	$	$	1.63425	$	$	1.02613	$	1.2079	0.90843	$	$
5	0.643826	2.08995	$	0.536769	$	$	$	$	$	1.00766	$	$
6	$	$	$	$	$	$	$	$	$	0.0884757	$	2.05786
7	$	$	0.583971	$	$	$	$	$	$	$	$	$

#其他方法2,反向筛选
df1.mask((df1 > 0) & (df2 > 0)) #也可以指定other= ，让选中的位置变成指定的字符

	0	1	2	3	4	5	6	7	8	9	10	11
0	0.781495	NaN	NaN	-2.131769	-0.434786	0.315795	2.506154	NaN	0.046417	NaN	2.273990	0.404110
1	0.695166	0.557982	-0.752808	-1.076877	1.288435	1.594994	1.071906	-0.743158	1.396590	1.301780	NaN	0.290408
2	-0.876931	0.712162	-0.166832	0.267058	-0.207691	1.261624	NaN	0.132663	NaN	1.152641	0.499253	-1.754460
3	NaN	-0.597558	-0.942167	0.363333	0.801809	-0.120496	0.609882	-0.065820	0.830766	NaN	NaN	0.344326
4	1.231323	-0.795497	NaN	0.639552	0.227574	NaN	0.616138	NaN	2.071419	1.847138	-0.799393	-0.426353
5	0.186352	0.500882	NaN	0.164030	NaN	-0.344809	1.474521	NaN	0.043872	1.250452	NaN	-0.551056
6	0.483201	0.812439	0.359324	NaN	NaN	NaN	NaN	0.496633	NaN	1.708570	NaN	1.454854
7	-0.186381	-0.346896	2.253813	1.121086	0.383741	0.063512	-2.256346	NaN	0.777294	NaN	1.999403	-2.083665

df1 = df1.where((df1 > 0) & (df2 > 0))
if (df1.items != "NaN"):
    print(df1.items)

<bound method DataFrame.items of           0         1         2         3         4         5         6  \
0       NaN       NaN       NaN       NaN       NaN  0.315795       NaN   
1       NaN  0.557982       NaN       NaN       NaN       NaN  1.071906   
2       NaN  0.712162       NaN       NaN       NaN  1.261624       NaN   
3       NaN       NaN       NaN  0.363333  0.801809       NaN  0.609882   
4  1.231323       NaN       NaN  0.639552       NaN       NaN  0.616138   
5  0.186352  0.500882       NaN  0.164030       NaN       NaN       NaN   
6       NaN       NaN       NaN       NaN       NaN       NaN       NaN   
7       NaN       NaN  2.253813       NaN       NaN       NaN       NaN   

          7         8         9        10        11  
0       NaN       NaN       NaN       NaN       NaN  
1       NaN       NaN       NaN       NaN       NaN  
2  0.132663       NaN       NaN  0.499253       NaN  
3       NaN  0.830766       NaN       NaN       NaN  
4       NaN  2.071419  1.847138       NaN       NaN  
5       NaN       NaN  1.250452       NaN       NaN  
6       NaN       NaN  1.708570       NaN  1.454854  
7       NaN       NaN       NaN       NaN       NaN  >