Python处理TCGA数据时多小数点字符串转float报错如何解决

问题本质 #

你遇到的报错是因为该列数值存在多个小数点，其中靠前的小数点是千位分隔符，不符合Python float的格式要求。

方案1：正则快速替换（推荐） #

直接通过正则匹配需要删除的千位分隔符小数点，规则完全符合你提出的「仅删除小数点后数字位数≤3位的小数点，保留后续位数>3位的小数点」要求：

import pandas as pd

# 已通过pd.read_csv读入数据存为df
df['reads_per_million_miRNA_mapped'] = df['reads_per_million_miRNA_mapped'].str.replace(
    pat=r'\.(?=\d{1,3}\.)',
    repl='',
    regex=True
).astype(float)

正则逻辑说明 #

• (?=\d{1,3}\.)是正向预查规则：仅匹配后面紧跟1-3位数字+另一个小数点的小数点
• 比如1.024.089的第一个小数点符合匹配规则，会被删除，得到1024.089
• 比如0.204818的小数点后无其他小数点，不会被匹配，保留原有格式

方案2：自定义函数兼容多小数点场景 #

如果数据中存在超过2个小数点的极端情况，可以用更稳妥的自定义拆分逻辑处理：

def format_mirna_count(s: str) -> str:
    parts = s.split('.')
    # 仅有一个小数点直接返回，多个小数点则仅保留最后一个
    if len(parts) == 1:
        return s
    return ''.join(parts[:-1]) + '.' + parts[-1]

df['reads_per_million_miRNA_mapped'] = df['reads_per_million_miRNA_mapped'].apply(format_mirna_count).astype(float)

处理效果验证 #

对你提供的样例数据处理后结果如下：

内容的提问来源于stack exchange，提问作者Leo