如何使用正则表达式从pandas DataFrame的header列拆分提取ID

问题原因 #

你原先使用\d+作为分割规则，会将id中包含的数字作为分割位点，导致拆分结果碎片化，无法得到完整的id和header内容。

解决方法 #

方法1：按第一个空格拆分（无需复杂正则） #

你的数据中id和后续header内容仅通过第一个空格分隔，且header内部的空格需要保留，只需要指定拆分次数为1即可：

import pandas as pd
df=pd.DataFrame({"header":["SS50377_28860 All-trans-retinol 13,14-reductase"]})
# 拆分后直接覆盖/新增对应列
df[['id','header']] = df['header'].str.split(n=1, expand=True)

运行后即可得到你需要的df结构。

方法2：正则捕获实现拆分 #

如果需要通过正则严格匹配规则，可以用str.extract直接捕获两组内容：

df = df['header'].str.extract(r'(?P<id>\w+)\s+(?P<header>.*)')

正则说明：

• (?P<id>\w+)：捕获由字母、数字、下划线组成的id部分，自动命名列名为id
• \s+：匹配id和header之间的一个或多个空格
• (?P<header>.*)：捕获空格后的所有内容作为新的header列，自动命名列名为header

内容的提问来源于stack exchange，提问作者zkrt