Python如何提取DataFrame中DNA序列特定模式前的字符及前缀

需求1：提取大写字母及之前的全部内容 #

修改你的正则表达式，将大写字母也包含到捕获组中即可：

# 提取结果存储到新列seq_to_upper
df['seq_to_upper'] = df['Sequence'].str.extract(r'^(.*?[A-Z])', expand=False)

正则说明：

• ^ 锚定匹配字符串开头，避免序列中间出现大写字母时匹配错误
• .*? 非贪婪匹配任意字符，直到遇到第一个大写字母
• [A-Z] 匹配第一个出现的大写字母，和前面的内容共同构成捕获组返回

需求2：提取大写字母往前数第16个字符 #

需求1的输出结果最后一位就是目标大写字母，直接取字符串倒数第16位即可：

df['16th_before_upper'] = df['seq_to_upper'].str[-16]

如果不需要留存需求1的结果，也可以一步完成：

df['16th_before_upper'] = df['Sequence'].str.extract(r'^(.*?[A-Z])', expand=False).str[-16]

结果验证 #

运行代码后输出和预期完全一致：

内容的提问来源于stack exchange，提问作者Melissa Arroyo-Mendoza