Excel处理基因名要小心啊
最近在处理数据的时候，基因名的转换出现了一些奇怪的错误。
de了一番bug后，发现Excel的基因列居然存在日期？
wtf？
这Excel也太坑了。
查了一下资料，原来在，科学家们就发现了这个错误。
Excel随意篡改20%的遗传学论文!
今年（）8月份，三位科学家在《Genome Biology》期刊上发表论文，称他们发现20%的遗传学论文包含了Excel软件导致的基因名转换错误。他们对论文进行的扫描显示，科学文献中的基因名错误十分普遍，在默认设置下Excel软件会将基因的名字转换成日期或浮点数。
举例来说，基因名字SEPT2和MARCH1会被分别转换成2-Sep和1-Mar;标识符2310009E1被转换成浮点数2.31E+13。 虽然对三位科学家的发现也有质疑的声音，但大家不妨试一下，在Excel中输入MARCH1，然后敲回车，真得变成1-Mar了! Excel你要闹哪样，想把科学家辛辛苦苦写的论文都变成“日历”吗?难道你3月1日有约会?
引自：Excel-坑你的基因名没商量！
阅读文章：Gene name errors are widespread in the scientific literature
也就是说，上面那个4-Sep应该是输入SEPT4，然后被Excel自动转换了。
在Excel中试一下。
果然，输入sept4后，Excel“贴心”的将数据变成了4-Sep，值就是/9/4。
实测中，从sep一直到september，从mar一直到march，接小于100的数字，是都会自动变为日期的。
问题已经复现了，如何解决呢？
最好的办法当然就是直接拒绝Excel，毕竟“消灭问题是解决问题的最好手段”。如果你非要使用Excel，那么就必须记得，将基因列的类型设置为文本，或者刻意的在前面或后面加上一个符号。
像这样：
然后使用函数提取基因名：
值得注意的是，论坛上有人讲到，Excel是在打开文件或者输入的时候自动做的转换，即使文件是文本文件，或者用Linux程序生成的Excel文件，我们可以确保里面基因名字是对的，只要用Excel打开，它就会进行转换。当点保存的时候，这个转换就被保存了下来。
所以，远离Excel用python保平安。
当然上面方案都是处理基因名前的注意事项。当我们遇到这个麻烦的文件的时候，还是要想办法还原出原来的基因名。
使用python还原基因名
首先读取文件。
import pandas as pddf = pd.read_excel(41586__1414_MOESM3_ESM.xlsx,sheet_name=0,skiprows=1) # sheetname=0,取第一个sheet，skiprows=1,跳过第一行
基因名的列为Gene。
因为pandas读取的日期数据为datetime类型，使用isinstance函数可以找到所有的datetime数据。
from datetime import datetimedf.Gene[df.Gene.apply(lambda x: isinstance(x,datetime))]
out:
1236 -09-02 00:00:001288 -09-11 00:00:001333 -09-06 00:00:001353 -09-11 00:00:00
如果觉得《-007 Excel处理基因名要小心啊》对你有帮助，请点赞、收藏，并留下你的观点哦！
