如何在Python中对DataFrame的CHROM列进行自然排序？

普通的sort_values按字符串字典序排序时，会把chr12排在chr3前面，这是因为字符串比较是逐字符进行的，'1'的ASCII码小于'3'。要实现按染色体编号的数值大小排序，有两种常用方法：

方法一：提取数字部分作为排序依据 #

通过正则提取染色体编号中的数字，转为整数后排序：

import pandas as pd

# 构造示例DataFrame
df = pd.DataFrame({'CHROM': ['chr1', 'chr5', 'chr12', 'chr9', 'chr3']})

# 提取数字并转为整数，生成临时排序列
df['chrom_num'] = df['CHROM'].str.extract(r'(\d+)').astype(int)
# 按数字列排序后删除临时列
sorted_df = df.sort_values(by='chrom_num').drop(columns='chrom_num')

# 输出结果
print(sorted_df)

执行后得到的结果：

CHROM
0   chr1
4   chr3
1   chr5
3   chr9
2  chr12

方法二：使用自然排序库natsort #

natsort支持自然排序规则，能自动识别字符串中的数字并按数值排序，无需手动提取数字：

1. 先安装库：

pip install natsort

2. 实现排序的代码：

import pandas as pd
from natsort import index_natsorted

df = pd.DataFrame({'CHROM': ['chr1', 'chr5', 'chr12', 'chr9', 'chr3']})

# 利用自然排序的索引对DataFrame重新排序
sorted_df = df.iloc[index_natsorted(df['CHROM'])]

# 输出结果
print(sorted_df)

这个方法更简洁，尤其适合处理复杂的带数字字符串排序场景。

内容的提问来源于stack exchange，提问作者Lucky