Python如何从DataFrame的INFO列提取|HIGH|后所有基因名存入新列

原有代码错误原因 #

• 循环内错误将整个DataFrame覆盖为df['INFO']列，丢失原始数据结构，无法新增GENE列
• 使用re.search仅能提取第一个匹配结果，无法获取同一行内的所有符合要求的基因名
• 存在变量名拼写错误：susbtring和定义的substring不一致
• 循环内直接对df['GENE']整列赋值，会导致所有行的结果被最后一次计算结果覆盖

正确实现代码 #

无需手动写for循环，用pandas向量化方法处理，效率更高，适合大规模数据集：

import pandas as pd
import re

# 匹配规则：|HIGH|之后、下一个|之前的所有字符
pattern = r"\|HIGH\|([^|]+)\|"

# 提取所有匹配结果存入新列，每行结果为列表格式
df['GENE'] = df['INFO'].str.findall(pattern)

# 若需要将同一行多个基因用逗号拼接为字符串，可追加以下代码
# df['GENE'] = df['GENE'].str.join(',')

逻辑说明 #

• 正则规则用[^|]+匹配所有非|的字符，兼容含横杠、点等特殊字符的基因名，比\w+适用场景更广
• str.findall会自动提取每行所有符合规则的匹配项，无匹配结果的行对应值为空列表
• 向量化运算比手动遍历for循环性能高数十倍，适合处理含数千列、大量行的数据集

内容的提问来源于stack exchange，提问作者CarBroke