str.split 正则表达式（复杂模式）

Question

如何在下面的数据框中使用正则表达式将 ID 从注释中分离出来？

df=pd.DataFrame({"header":["SS50377_28860 All-trans-retinol 13,14-reductase"]})

所以列应该是这样的：

df_new=pd.DataFrame({"id":"SS50377_28860","header":["All-trans-retinol 13,14-reductase"]})

以下代码无法正常运行。

df.join(df["header"].str.split(r'\d+', 0, expand=True))

提前致谢！！

Answer 1

您可以在数字和字母之间用一个或多个空格分隔：

df[['id','header']] = df['header'].str.split(r'(?<=\d)\s+(?=[A-Z])', n=1, expand=True)

或者，您可以将 ID 模式捕获到一组中，其余的捕获到另一组中：

df[['id', 'header']] = df['header'].str.extract(r'^([A-Z0-9]+_[A-Z0-9]+)\s+(.*)', expand=True)

或者，您可以简单地 Series.str.split 使用第一个空白块：

df[['id', 'header']] = df['header'].str.split("\s+", n=1, expand=True)

输出：

>>> df
                              header             id
0  All-trans-retinol 13,14-reductase  SS50377_28860

详情:

(?<=\d)\s+(?=[A-Z]) - 匹配一个或多个空格 (\s+)，这些空格紧跟一个数字 ((?<=\d)) 并紧跟一个大写 ASCII 字母 ([A-Z])
^([A-Z0-9]+_[A-Z0-9]+)\s+(.*) - 匹配字符串的开头 (^)，然后捕获一个或多个大写 ASCII 字母或数字，_ 并再次捕获一个或多个大写 ASCII 字母或数字到第 1 组（列“id”）然后匹配一个或多个空格（\s+），然后将其余行捕获到第 2 组（使用 (.*)）。

无论您选择哪种解决方案，都取决于您输入的多样性以及您希望在此处应用多少验证。

str.split by regex (complex pattern)