如何使用Pandas从DataFrame中提取POS、REF、ALT特定字段信息

你的需求很明确——从每个单元格的REC格式内容里拆分出单个REC条目，再提取POS、REF、ALT字段，最终生成扁平化的DataFrame。之前的代码没成功主要是因为没处理多个REC的拆分，还有正则表达式的写法不对。我给你整理了一套可行的方案：

步骤拆解与完整代码 #

import pandas as pd

# 你的原始数据
d = {'sample1':['REC(CHR=2,,POS=345432,,REF=G,ALT=A,,BAND=ARG), REC(CHR=2,,POS=245332,,REF=T,,ALT=GA,BAND=AA4T)', 'REC(CHR=4,,POS=23332,,REF=A,,ALT=G,BAND=C4T)','REC(CHR=8,,POS=3335332,,REF=G,,ALT=A,BAND=AA4T)'], 'sample2':['REC(CHR=2,,POS=34545432,,REF=T,,ALT=A,,BAND=ARG)','REC(CHR=4,,POS=45332,,REF=G,,ALT=GAGG,BAND=AA4SST)','REC(CHR=8,,POS=445332,,REF=G,,ALT=C,BAND=33T)'], 'sample3':['REC(CHR=2,,POS=87532,,REF=A,ALT=C,,BAND=1243D)','REC(CHR=4,,POS=2453344432,,REF=C,,ALT=T,BAND=EE3)','REC(CHR=8,,POS=23245332,,REF=T,,ALT=A,BAND=AA4T)'], 'sample4':['REC(CHR=2,,POS=4347532,,REF=T,,ALT=G,,BAND=GM34), REC(CHR=2,,POS=4323432,,REF=A,,ALT=T,,BAND=GMA34), REC(CHR=2,,POS=44423432,,REF=G,,ALT=T,,BAND=GSSMA34)','REC(CHR=4,,POS=225332,,REF=G,,ALT=A,BAND=EER4T)','REC(CHR=8,,POS=245332,,REF=A,,ALT=C,BAND=AA4T)']}
df1 = pd.DataFrame(d, index=['PP25','COX4','P53'])

# 1. 确保所有列转为字符串（处理原始数据非字符串类型的情况）
df1 = df1.astype(str)

# 2. 把每个单元格的多个REC拆分，转为长格式（每行一个REC）
# 先把DataFrame转为堆叠格式，再拆分每个单元格的REC条目
stacked_df = df1.stack().reset_index()
stacked_df.columns = ['index', 'sample', 'rec_content']
# 拆分多个REC， explode成多行
stacked_df['rec_content'] = stacked_df['rec_content'].str.split(r',\s*REC\(')
# 处理拆分后的第一个REC，补回REC(前缀
stacked_df['rec_content'] = stacked_df['rec_content'].apply(lambda x: ['REC(' + item if not item.startswith('REC(') else item for item in x])
stacked_df = stacked_df.explode('rec_content', ignore_index=True)

# 3. 用正则表达式提取POS、REF、ALT字段
# 正则匹配POS=后面的数字，REF和ALT后面的非逗号/括号内容
pattern = r'POS=(\d+).*?REF=([^,)]+).*?ALT=([^,)]+)'
extracted = stacked_df['rec_content'].str.extract(pattern)
extracted.columns = ['POS', 'REF', 'ALT']

# 4. 合并结果，保留原始索引
final_df = pd.concat([stacked_df[['index']], extracted], axis=1)
# 去掉可能的空值（如果有的话）
final_df = final_df.dropna().reset_index(drop=True)

print(final_df)

代码解释 #

• 转为字符串：用astype(str)确保所有单元格都是字符串类型，解决原始数据非字符串的问题。
• 拆分并扁平化REC条目：通过stack()把宽表转成堆叠格式，再用str.split()拆分每个单元格里的多个REC，最后explode()把每个REC变成单独一行。
• 正则提取字段：用正则表达式精准匹配POS=后的数字，REF=和ALT=后的内容（直到遇到逗号或括号为止），确保能正确提取字段值。
• 整理结果：把原始索引和提取的字段合并，得到你需要的格式。

最终输出 #

内容的提问来源于stack exchange，提问作者Chip