如何根据键值提取分隔符内第一次出现的数据？

Question

我有一个如下的数据框：

Items   Data
enst.35 abc|frame|gtk|enst.24|pc|hg|,abc|framex|gtk4|enst.35|pxc|h5g|,abc|frbx|hgk4|enst.23|pix|hoxg|,abc|framex|gtk4|enst.35|pxc|h5g|
enst.18 abc|frame|gtk|enst.15|pc|hg|,abc|framex|gtk2|enst.59|pxc|h5g|,abc|frbx|hgk4|enst.18|pif|holg|,abc|framex|gtk4|enst.35|pxc|h5g|
enst.98 abc|frame|gtk|enst.98|pc|hg|,abc|framex|gtk1|enst.45|pxc|h5g|,abc|frbx|hgk4|enst.74|pig|ho6g|,abc|framex|gtk4|enst.35|pxc|h5g|
enst.63 abc|frame|gtk|enst.34|pc|hg|,abc|framex|gtk1|enst.67|pxc|h5g|,abc|frbx|hgk4|enst.39|pik|horg|,abc|framex|

我想根据框架内的Items 值提取Data，并仅提取分隔符(,) 中的数据。我想将 col1 的 row1 值与 col2 的 row1 匹配。同理，col1 的 row2 到 col2 的 row2....

如果未找到匹配项，则在输出列中填充“NA”。同一列中可以有多个 id 出现，但我只想考虑第一次出现。

预期的输出是：

abc|framex|gtk4|enst.35|pxc|h5g|
abc|frbx|hgk4|enst.18|pif|homg|
abc|frame|gtk|enst.98|pc|hg|
NA

我尝试了以下代码来生成输出：

import pandas as pd
df=pd.read_table('file1.txt', sep="\t")
keywords=df['Items'].to_list()
df_map=df.Data[df.Data.str.contains('|'.join(as_list))].reindex(df.index)

但生成的输出中包含包含关键字的所有术语：

Data
abc|frame|gtk|enst.24|pc|hg|,abc|framex|gtk4|enst.35|pxc|h5g|,abc|frbx|hgk4|enst.23|pix|hoxg|abc|framex|gtk4|enst.35|pxc|h5g|
abc|frame|gtk|enst.15|pc|hg|,abc|framex|gtk2|enst.59|pxc|h5g|,abc|frbx|hgk4|enst.18|pif|holg|abc|framex|gtk4|enst.35|pxc|h5g|
abc|frame|gtk|enst.98|pc|hg|,abc|framex|gtk1|enst.45|pxc|h5g|,abc|frbx|hgk4|enst.74|pig|ho6g|abc|framex|gtk4|enst.35|pxc|h5g|
NA

我可以对代码进行哪些更改以按预期生成正确的输出。

Answer 1

在axis=1 旁边使用DataFrame.apply 并应用自定义函数，该函数提取与df['Data'] 中出现df['Items'] 相关的字符串：

import re

def find(s):
    mobj = re.search(rf"[^,]+{re.escape(s['Items'])}[^,]+", s['Data'])
    if mobj:
        return mobj.group(0)
    return np.nan

df['Data'] = df.apply(find, axis=1)

或者，使用更快的解决方案：

pattern = '|'.join([rf'[^,]+{re.escape(k)}[^,]+'for k in df['Items']])
df['Data'] = df['Data'].str.findall(pattern).str.get(0)

---

# print(df['Data'])

0    abc|framex|gtk4|enst.35|pxc|h5g|
1     abc|frbx|hgk4|enst.18|pif|holg|
2        abc|frame|gtk|enst.98|pc|hg|
3                                 NaN
Name: Data, dtype: object

Answer 2

我们可以正式定义一个键值对列表如下：

kvlist = <key>[kvdelim]<value>([pairdelim]<key>[kvdelim]<value>)*
key = <string>|<quoter><string><quoter>
value = <string>|<quoter><string><quoter>
quoter = "