如何在Pandas中忽略化合物元素顺序进行数据比对？

核心思路是将每个分子式转换成标准化的统一格式——不管原始元素顺序如何，转换后相同的字符串即代表同一种化合物。以下是针对Pandas的具体实现步骤：

1. 编写分子式标准化函数 #

用正则表达式拆分分子式中的元素和对应计数，按元素名称排序后重新拼接，确保相同化合物的分子式输出一致：

import re
import pandas as pd

def standardize_formula(formula):
    # 匹配元素（大写开头，可跟小写字母）和后续的计数数字（可选）
    elem_count_pairs = re.findall(r'([A-Z][a-z]?)(\d*)', formula)
    # 对元素按名称排序，无计数的元素默认计为1
    sorted_pairs = sorted(elem_count_pairs, key=lambda x: x[0])
    # 拼接成标准化字符串，计数为1时省略数字
    return ''.join(f"{elem}{count if count else ''}" for elem, count in sorted_pairs)

2. 为两个数据集添加标准化分子式列 #

假设你的两个DataFrame分别为df1和df2，都包含存储分子式的列（比如名为Molecular Formula）：

df1['standard_formula'] = df1['Molecular Formula'].apply(standardize_formula)
df2['standard_formula'] = df2['Molecular Formula'].apply(standardize_formula)

3. 查找重叠项 #

• 方法一：获取完整重叠数据（包含双方属性）
  用merge关联两个数据集，得到标准化分子式相同的所有行，自动区分两边的属性列：

overlap_full = pd.merge(df1, df2, on='standard_formula', suffixes=('_db1', '_db2'))

• 方法二：筛选出某一数据集中在另一数据集存在的化合物
  如果只需要从df1里找出在df2中出现的化合物，用isin即可：

df1_overlap = df1[df1['standard_formula'].isin(df2['standard_formula'])]

注意事项 #

如果你的分子式包含括号（比如(OH)2），上述基础正则无法处理括号展开，需要额外的逻辑。但如果你的数据都是无括号的简单分子式，上面的方法完全够用且简便。

内容的提问来源于stack exchange，提问作者Liam