Python中如何删除首个指定实例后的所有字符串字符？

哈哈周五下午脑子离线太懂这种感觉了！我帮你搞定这个字符串拆分转DataFrame的事儿～

观察你给的示例字符串，结构其实很固定：登录号 + 物种/菌株信息 + 质粒名称 + 序列类型，用正则表达式就能精准把每个字段抠出来，然后直接转成DataFrame。

具体代码实现 #

先上完整可运行的代码，之后再拆解说细节：

import pandas as pd
import re

# 你的示例字符串列表
seq_strings = [
    "NC_002523_1 Serratia entomophila plasmid pADAP, complete sequence.",
    "NZ_CM003366_0 Pantoea ananatis strain CFH 7-1 plasmid CFH1-7plasmid2, whole genome shotgun sequence.",
    "NZ_CP014491_0 Escherichia coli strain G749 plasmid pG749_3, complete sequence."
]

# 定义正则匹配模式，对应四个要提取的字段
pattern = r'^(\w+_\d+_\d+) (.*?) plasmid (.*?), (.*?)\.?$'

# 提取所有字符串的匹配结果，转成DataFrame
df = pd.DataFrame(
    [re.match(pattern, s).groups() for s in seq_strings],
    columns=["登录号", "物种/菌株信息", "质粒名称", "序列类型"]
)

# 打印看看结果
print(df)

代码细节拆解 #

• 正则模式为啥这么写？

  • ^(\w+_\d+_\d+)：匹配开头的登录号（比如NC_002523_1），\w匹配字母/数字，\d匹配数字，下划线直接匹配，完美覆盖你给的登录号格式
  • (.*?)：非贪婪匹配物种和菌株信息，直到遇到plasmid就停，这样不会把后面的质粒名也包含进来
  • (.*?)：匹配质粒名称，直到遇到, 就停，刚好截到质粒名的结尾
  • (.*?)\.?$：匹配最后的序列描述，\.?是处理结尾可能有的句号，$确保匹配到字符串最后

• DataFrame生成：用列表推导式遍历每个字符串，把每个匹配到的字段组转成列表，再指定列名，直接就得到结构化的表格啦！

运行效果 #

输出的DataFrame会是这样的结构化内容：

登录号                  物种/菌株信息       质粒名称                     序列类型
0  NC_002523_1       Serratia entomophila      pADAP            complete sequence
1  NZ_CM003366_0  Pantoea ananatis strain CFH 7-1  CFH1-7plasmid2  whole genome shotgun sequence
2  NZ_CP014491_0   Escherichia coli strain G749    pG749_3            complete sequence

要是你的实际字符串有一些小变体（比如个别没有strain关键词，或者序列描述格式不一样），可以微调正则模式来适配，不过看你给的示例，当前模式完全够用～

内容的提问来源于stack exchange，提问作者Joe Healey