pandas基因组序列过滤：基于指定字母集筛选行及正则方法失效排查

之前两种写法跑出来要么全留要么全删，本质是踩中了pandas字符串匹配的几个默认设计坑，没有显式对齐匹配规则：

• 方案一的问题：str.contains默认遇到空值（NaN）时会返回NaN而非明确的布尔值，做布尔索引时这类值会被强制判定为不满足筛选条件；如果genome列的object类型里混了非字符串元素（比如bytes、数值），正则匹配会直接失效，最终要么全中要么全不中。你写的[^ACTGN]是匹配任意非指定字符的规则，但没有锚定首尾边界，和全字符串校验的初衷有偏差。
• 方案二的问题：pandas的str.match原生逻辑是从字符串开头开始匹配片段，不是匹配整个字符串。如果字符串开头藏了肉眼不可见的特殊字符（比如全角空格、换行符），会直接匹配失败，最终把所有行都删掉，出现全删的异常结果。

绝大多数人遇到全留/全删的诡异结果，根源都是没处理匹配返回值里的NaN——布尔索引列只要混了NaN，pandas默认会把这些行全部丢掉；如果正则因为类型问题完全失效，就会把所有行判定为匹配或不匹配，直接触发全留/全删的极端结果。

完全匹配“仅保留全由A/C/T/G/N组成的行”的需求，用显式规则实现即可，不需要复杂逻辑：

import re
# 规则：整个字符串完全由A/C/T/G/N组成，空值直接判定为不满足
valid_row = df['genome'].str.fullmatch(
    pat='[ACTGN]+',
    na=False,  # 固定空值的返回结果为False，避免NaN干扰布尔索引
    flags=re.IGNORECASE  # 如果需要兼容小写的acgt/n就保留，不需要可以删掉这个参数
)
df = df[valid_row]

关键设计说明：用str.fullmatch替代之前的match/contains，语义完全和需求对齐——强制校验整个字符串是否完全符合正则规则，不会出现只匹配开头、只匹配片段的逻辑偏差；显式传na=False能把所有边界场景的返回值固定为布尔值，不会因为空值导致全表误筛。

如果不想额外引入re模块，也可以用带首尾锚点的contains写法，效果完全等价：

valid_row = df['genome'].str.contains(
    pat='^[ACTGN]+$',
    na=False,
    regex=True
)
df = df[valid_row]

针对你给出的测试样本，上面的写法会自动剔除id为639（含异常字符Y）、640（含异常字符J）的两行，仅保留id为641、642的合规行，和预期完全一致。

内容的提问来源于stack exchange，提问作者newDev2000