Pandas中extractall正则提取数据列生成但值为空的问题求助

你的正则表达式存在几处匹配边界的错误，导致无法正确捕获数据，以下是修正方案：

问题点说明 #

• \spep后未匹配空格：原正则中\spep直接衔接primary_assembly，但实际字符串中pep与primary_assembly之间有空格，导致这部分匹配失败，整个正则无法命中。
• description部分的空格匹配冗余：原正则中description:(?P<description>[^\[]+)\s的末尾\s会要求描述文本后必须有空格，但实际描述文本与[Source:之间的空格已被[^\[]+包含，额外的\s会导致匹配失败。
• 末尾Source部分的正则不够精准：;*和\]*的可选匹配会引入不确定性，而实际格式是明确的;Acc:和闭合]。

修正后的正则表达式 #

p = re.compile(
    r'(?P<PepID>[^\s]+)\spep\s+'
    r'primary_assembly:(?P<genome_version>[^:]+):'
    r'(?P<chromosome>[^:]+):'
    r'(?P<start>[^:]+):'
    r'(?P<end>[^:]+):'
    r'(?P<strand>[^\s]+)\s+'
    r'gene:(?P<gene>[^\s]+)\s+'
    r'transcript:(?P<transcript>[^\s]+)\s+'
    r'gene_biotype:(?P<gene_biotype>[^\s]+)\s+'
    r'transcript_biotype:(?P<transcript_biotype>[^\s]+)\s+'
    r'gene_symbol:(?P<gene_symbol>[^\s]+)\s+'
    r'description:(?P<description>[^\[]+?)\s*'
    r'\[Source:(?P<source>[^;]+);'
    r'Acc:(?P<accession>[^\]]+)\]'
)

代码调整建议 #

由于每行只有一组匹配结果，使用str.extract()比extractall()更高效，无需额外重置索引：

df = pd.concat([
    df,
    df.fullIden.str.extract(p).fillna('')
], axis=1)

测试结果 #

针对你的示例数据，修正后会正确提取出以下字段：

内容的提问来源于stack exchange，提问作者Alexandre P Magalhães