如何在Pandas中从DataFrame的INFO列提取AC对应数值

问题说明 #

现有如下结构的Pandas DataFrame：

#CHROM  POS     INFO
chr1    111    AC=0;AN=33
chr1    111    AC=0;AN=100
chr1    111    AC=110;AN=51
chr2    737    AC=99;AN=10003
chr2    888    AC=100;AN=1636

需要新增number列，提取INFO列中AC=N格式里的数值N，最终输出如下：

#CHROM  POS     INFO            number
chr1    111    AC=0;AN=33        0
chr1    111    AC=0;AN=100       0
chr1    111    AC=110;AN=51      110
chr2    737    AC=99;AN=10003    99
chr2    888    AC=100;AN=1636    100

解决思路 #

方法1：正则表达式提取（推荐，适配性强） #

用Pandas的str.extract方法，通过正则精准匹配AC=后面的数字：

import pandas as pd

# 假设原始DataFrame为df
df['number'] = df['INFO'].str.extract(r'AC=(\d+)', expand=False).astype(int)

• 正则r'AC=(\d+)'的作用是匹配AC=开头的片段，捕获后面的所有数字；
• astype(int)把提取到的字符串转成整数类型，方便后续数值运算。

方法2：字符串分割法（格式固定时适用） #

如果INFO列的格式稳定（AC始终在分号前），可以用两次分割提取数值：

df['number'] = df['INFO'].str.split(';').str[0].str.split('=').str[1].astype(int)

• 先按;分割字符串，取第一个片段（也就是AC=N部分）；
• 再按=分割，取第二个元素就是需要的数值。

方法3：自定义函数+apply（灵活处理复杂格式） #

如果INFO列里AC的位置不固定（比如有时候在AN后面），可以写个自定义函数遍历片段：

def extract_ac(info_str):
    for segment in info_str.split(';'):
        if segment.startswith('AC='):
            return int(segment.split('=')[1])

df['number'] = df['INFO'].apply(extract_ac)

• 这个方法会逐个检查INFO分割后的每个片段，找到以AC=开头的部分再提取数值，容错性更强。

内容的提问来源于stack exchange，提问作者John