在 Python/Pandas 中使用 Regex 运算符有条件地计算数据条目

Question

使用 Python 中的 pandas 库，我的代码中有一个设备，如下所示：

BadData = len(df[df.A1.str.contains('A|T|C|G')==False])

我在这里要做的是计算数据框df 的A1 列中不包含字母A、T、C的任何组合的条目数, 和 G。

这些表达式应该算作BadData：

• 123
• 富

但这些表达方式不应该：

• 一个
• ATCG
• 加特卡塔

我的问题：如何使用正则表达式字符在BadData 中包含“Apple”或“Golfing”等条目?

我可以像这样将条件链接在一起：

BadData = len(df[(df.A1.str.contains('A|T|C|G')==False) & (df.A1.str.contains('0|1|2|3')==TRUE)])

但在这里我面临一个难题：我是否必须定义每个违反条件的角色？这看起来很笨拙，我相信还有更优雅的方法。

Answer 1

你可以使用：

df['A1'].str.contains('^[ACTG]+$')

确保它以ACTG 中的字母开始（正则表达式^）和结束（正则表达式$），并且只包含一个或多个这些字符。

要获得len，您只需将False 的值相加即可：

bad_data = sum(~df['A1'].str.contains('^[ACTG]+$'))

相当于：

bad_data = len(df[df.A1.str.contains('^[ACTG]+$')==False])

但 IMO 更易于阅读。

例如：

>>> df
             A1
0         Apple
1       Golfing
2             A
3          ATTC
4          ACGT
5         AxTCG
6           foo
7             %
8  ACT Golf GTC
9           ACT


>>> df['A1'].str.contains('^[ACTG]+$')
0    False
1    False
2     True
3     True
4     True
5    False
6    False
7    False
8    False
9     True
Name: A1, dtype: bool

bad_data = sum(~df['A1'].str.contains('^[ACTG]+$'))
# 6