Python如何根据从列字符串中提取的子集数值对DataFrame行排序

核心逻辑 #

先从第一列的坐标字符串中提取染色体编号，再基于自定义优先级对编号排序，最终重排DataFrame行顺序。

实现步骤 #

1. 提取染色体编号
   利用正则匹配提取chr后到第一个冒号前的内容，刚好符合你提到的「起始索引3、结束于冒号位置」的要求：

# 提取染色体编号存入临时列chrom
df['chrom'] = df.iloc[:, 0].str.extract(r'^chr(.+?):', expand=False)

2. 生成排序优先级键
   避免直接按字符串排序出现chr10排在chr2前的问题，自定义排序规则：

def chrom_sort_key(chrom):
    # 数字染色体按数值排序
    if chrom.isdigit():
        return int(chrom)
    # 性染色体自定义优先级，可根据需求调整
    elif chrom == 'X':
        return 23
    elif chrom == 'Y':
        return 24
    elif chrom == 'MT':
        return 25
    # 其他罕见染色体统一后置
    else:
        return 99

# 生成排序键列
df['sort_key'] = df['chrom'].apply(chrom_sort_key)

3. 重排DataFrame
   按排序键升序排列后删除临时列即可：

df_sorted = df.sort_values('sort_key', ascending=True)\
              .drop(columns=['chrom', 'sort_key'])\
              .reset_index(drop=True)

简化版本 #

如果不需要自定义性染色体优先级，可直接简化为单句实现：

sort_idx = df.iloc[:, 0].str.extract(r'^chr(.+?):', expand=False)\
                  .apply(lambda x: int(x) if x.isdigit() else x)\
                  .sort_values().index
df_sorted = df.loc[sort_idx].reset_index(drop=True)

效果验证 #

以你给出的示例数据测试：
输入行顺序：chr5:10..100、chr14:2..300、chrX:1..10
输出排序后顺序：chr5:10..100、chr14:2..300、chrX:1..10，若加入chr2、chr10的测试数据，会自动按2→5→10→14→X的顺序排列。

内容的提问来源于stack exchange，提问作者Elisa