基于字符串集从Pandas行中提取键值对数据

我来帮你解决这个问题，结合你给出的类似GTF格式的列数据，这里有几种实用的方案，直接就能套用：

1. 先模拟你的数据场景 #

首先我们先构造和你示例一致的DataFrame，方便后续演示：

import pandas as pd

# 模拟你的输入数据
data = {
    'chromosome': [114188457, 114188457],
    'info': [
        'gene_id "ENSMUSG00000111734"; gene_version "1"; transcript_id "ENSMUST00000214237"; transcript_version "1"; exon_number "23"; gene_name "Gm29825"; gene_source "havana"; gene_biotype "lincRNA"',
        'gene_id "ENSMUSG00000090012"; gene_version "2"; transcript_id "ENSMUST00000150001"; transcript_version "1"; exon_number "1"; gene_name "Actb"; gene_source "havana"; gene_biotype "protein_coding"'
    ]
}
df = pd.DataFrame(data)

2. 提取单个特定键（比如gene_id） #

如果只需要提取某一个键的值，用str.extract结合正则表达式是最高效的方式，直接匹配键对应的双引号内的值：

# 提取gene_id，正则捕获双引号中的内容
df['gene_id'] = df['info'].str.extract(r'gene_id "([^"]+)"')

# 查看结果
print(df[['chromosome', 'gene_id']])

解释：正则gene_id "([^"]+)"会精准匹配gene_id "开头的片段，然后捕获双引号之间的所有非引号字符，完美提取出目标值。

3. 批量提取多个键（比如gene_id、gene_name、exon_number） #

如果需要同时提取多个键，写一个自定义函数把字符串转成字典，再按需提取会更灵活：

def extract_target_info(info_str, target_keys):
    # 处理空值情况
    if pd.isna(info_str):
        return {key: pd.NA for key in target_keys}
    
    # 按分号分割所有键值对，清理掉空的片段
    kv_pairs = [pair.strip() for pair in info_str.split(';') if pair.strip()]
    
    # 把键值对转成字典，去掉值的双引号
    info_dict = {}
    for pair in kv_pairs:
        # 按第一个空格分割（避免值里包含空格的情况）
        key, value = pair.split(' ', 1)
        info_dict[key] = value.strip('"')
    
    # 返回需要的键对应的值，没有则返回NA
    return {key: info_dict.get(key, pd.NA) for key in target_keys}

# 指定要提取的键列表
target_keys = ['gene_id', 'gene_name', 'exon_number']

# 应用函数并合并到原DataFrame
extracted_df = df['info'].apply(lambda x: pd.Series(extract_target_info(x, target_keys)))
df = pd.concat([df, extracted_df], axis=1)

# 查看结果
print(df[['chromosome', 'gene_id', 'gene_name', 'exon_number']])

一些实用的注意事项 #

• 如果键和值之间是多个空格，可以把split(' ', 1)改成split(r'\s+', 1)，用正则匹配任意数量的空格。
• 对于超大规模数据集，单个键提取优先用str.extract，速度比apply函数快很多；多键提取如果追求性能，可以用str.extractall结合分组转置的方式。
• 如果你的数据中值没有双引号，只需要去掉strip('"')这一步即可。

内容的提问来源于stack exchange，提问作者Siddharth