如何优雅提取DataFrame指定列中~后的子串并保留分类标识

假设你的数据已经加载为Pandas DataFrame，以下是无需循环的优雅处理方式：

1. 构造示例数据 #

先将你给出的数据集转为DataFrame：

import pandas as pd

data = {
    'Category': ['GOTERM_MF_DIRECT', 'GOTERM_MF_DIRECT', 'GOTERM_CC_DIRECT', 'GOTERM_CC_DIRECT'],
    'Term': ['GO:0005102~receptor binding', 'GO:0008139~nuclear localization sequence binding',
             'GO:0016021~integral component of membrane', 'GO:0071564~npBAF complex'],
    'Count': [3, 2, 9, 3]
}
df = pd.DataFrame(data)

2. 处理Category列（保留MF/CC标识） #

用正则表达式精准提取Category列中的MF或CC标识：

df['Category'] = df['Category'].str.extract(r'_([MC]F)_', expand=False)

正则_([MC]F)_会匹配并捕获MF或CC部分，直接替换原列内容。

3. 处理Term列（提取~后的字符串） #

通过字符串分割直接获取~之后的内容：

df['Term'] = df['Term'].str.split('~').str[1]

若需要更严谨的匹配，也可以用正则提取：

df['Term'] = df['Term'].str.extract(r'~(.*)', expand=False)

最终结果 #

处理后的DataFrame如下：

内容的提问来源于stack exchange，提问作者Chemokine1