在 pandas 数据框列上使用 rsplit 基于分隔符的第二个实例进行分隔

Question

我有一列熊猫数据框，我想根据分隔符的第二个实例将其拆分并扩展为新的数据框。我根据分隔符的最后一个实例进行拆分，但不幸的是，在大约 80k 行中有少数实例有 4 个“_”而不是 3 个。例如，我有一个包含多列的数据框，其中我想拆分为新数据框的列如下所示：df.head()   gene0  NM_000000_foo_blabla1  NM_000001_bar我想拆分和扩展它，使其分开：（需要）df2.head()   col1          col20  NM_000000     foo_bar1  NM_000001     foo在使用我当前的代码时：df2 = df['gene'].str.rsplit('_', 1, expand=True).rename(lambda x: f'col{x + 1}', axis=1) 我明白了：（实际的）df2.head()   col1          col20  NM_000000_foo bar1  NM_000001     foo有没有一种简单的方法来实现这个我修改我已经在使用的代码行？我尝试使用 rsplit 中的拆分数量，但无法达到我想要的结果。谢谢！

Answer 1

由于您的数据似乎定义得相当好，您可以使用正则表达式提取分隔符的第二个实例。

df['gene'].str.extract(r'(?:[^_]+_){2}(.*)')

            0

0  foo_blabla

1         bar

您可以将其概括为任何分隔符，并使用一个简单的函数将其匹配任意次数：

def build_regex(delimiter, num_matches=1):

    return rf'(?:[^{delimiter}]+{delimiter}){{{num_matches}}}(.*)'

>>> build_regex('_', 2)

'(?:[^_]+_){2}(.*)'

>>> df['gene'].str.extract(build_regex('_', 2))

            0

0  foo_blabla

1         bar

>>> df['gene'].str.extract(build_regex('_', 3))

        0

0  blabla

1     NaN

正则表达式解释

(?:            # non capture group

  [^_]+        # match anything but _ one or more times

  _            # match _

){2}           # match this group 2 times

(              # start of capture group 1

  .*           # match anything greedily

)              # end of matching group 1

如果在前两个分隔符之前不能保证有文本，您还可以使 not 断言匹配 0 次或更多次：

(?:[^_]*_){2}(.*)

Answer 2

只需将 2nd 替换'_'为您的自定义分隔符split即可

df.gene.str.replace(r'([^_]+_[^_]+)_', r'\1|').str.split('|', expand=True)

Out[488]:

           0           1

0  NM_000000  foo_blabla

1  NM_000001  bar