如何基于子串及后续文本在Pandas DataFrame中创建新列？

步骤1：构造示例DataFrame #

import pandas as pd

data = {
    'A': ['Jan05 GN=XYZ NA', 'Dec25 GN=ZYX Y', 'Nov12 GN=NHAN Y', 'May22 GN=GZV X', 'Jun24 MNIAV X', 'May22 CAUCGZV Y'],
    'B': ['Q9GLD3;A0A0A0RBT6', 'A0A8I3PIE0;A0A8I3PEP4;A0A0B4J198', 'P60524;A0A1K0GGH0;A0A8I3P9B9', 'P09582;A0A1R3UGQ4;A0A8I3NWV7', 'P09582;A0A1R3UGQ4;A0A8I3NWV7', 'P09582;A0A1R3UGQ4;A0A8I3NWV7']
}
df = pd.DataFrame(data)

步骤2：创建新列C #

用numpy.where结合字符串处理实现，这种方法比apply更高效，适合大数据集：

import numpy as np

# 提取A列中GN=后的非空白内容
gn_extract = df['A'].str.extract(r'GN=(\S+)', expand=False)
# 提取B列第一个分号前的内容
b_extract = df['B'].str.split(';').str[0]
# 按条件赋值生成新列C
df['C'] = np.where(df['A'].str.contains('GN='), gn_extract, b_extract)

验证结果 #

运行后查看DataFrame：

print(df)

输出结果与需求一致：

代码解释 #

• df['A'].str.extract(r'GN=(\S+)', expand=False)：通过正则表达式匹配GN=后的所有非空白字符，精准提取目标字符串。
• df['B'].str.split(';').str[0]：将B列内容按分号分割，取分割后的第一个元素，即分号前的内容。
• np.where(condition, x, y)：当条件（A列含"GN="）成立时取gn_extract的值，否则取b_extract的值，直接实现需求中的逻辑判断。

内容的提问来源于stack exchange，提问作者Sterling Wright