如何在Pandas中使用extractall并使用提取的字符串获取新列？

Question

我有一个来自csv文件的15列的数据框。我试图删除一列文本的一部分，并创建一个新列，在每一行上包含该信息。每行“磷酸盐”应该只与我对extractall的要求相匹配。现在，我尝试将结果添加到数据框中，但出现错误：

TypeError：插入的列的索引与框架索引不兼容

数据集有两列带有名称的列，还有6列带有值的列（例如65.98，例如）。

例如： 登录序列修饰磷酸CON_1 CON_2 CON_3 LIF1 LIF2 LIF3 P18767 [R] .GAAQNIIPASTGAAK。[A] 1xTMT6plex [K15]; 1xTMT6plex [N-Term] 1xPhospho [S3（98.3）]

这是奇怪的代码：

    a = pmap1['phospho'].str.extractall(r'([STEHRYD]\d*)')
    pmap1['phosphosites'] = a

谢谢！

Answer 1

我使用以下示例数据创建了pmap1：

pmap1 = pd.DataFrame(data=[[ 'S34T44X', 1 ], [ 'E23H78Y', 2 ],
    [ 'R49Y81Z', 3 ], [ 'D20U23X', 4 ]], columns=['phospho', 'nn'])

提取所有匹配项时：

a = pmap1['phospho'].str.extractall(r'([STEHRYD]\d*)')

结果是：

           0
  match     
0 0      S34
  1      T44
1 0      E23
  1      H78
  2        Y
2 0      R49
  1      Y81
3 0      D20

请注意：

• 结果为 DataFrame 类型（只有一个名为0的列）。
• 它包含八行。因此尚不清楚插入哪一行 特定的比赛。
• 索引实际上是具有两个级别的 MultiIndex ：
  • 第一级（未命名）是源行的索引，
  • 第二级（名为 match ）包含 在当前行中匹配。

例如在索引为0的行中，有2个匹配项：

• S34-不为0，
• T44-否1。

因此，您不能直接将a另存为pmap1的新列， 例如因为pmap1包含“普通”索引，并且 a是 MultiIndex ，与pmap1的索引不兼容。 而这就是在错误消息中写的。

如果您想以某种方式将a添加到pmap1，则可以例如“打破”每场比赛 通过以下方式作为单独列：

a2 = a.unstack()

给出结果：

         0          
match    0    1    2
0      S34  T44  NaN
1      E23  H78    Y
2      R49  Y81  NaN
3      D20  NaN  NaN

其中列是 MultiIndex ，因此删除第一个 级别，请运行：

a2.columns = a2.columns.droplevel()

结果是：

match    0    1    2
0      S34  T44  NaN
1      E23  H78    Y
2      R49  Y81  NaN
3      D20  NaN  NaN

然后您可以执行实际的联接，执行：

pmap1.join(a2)

结果是：

   phospho  nn    0    1    2
0  S34T44X   1  S34  T44  NaN
1  E23H78Y   2  E23  H78    Y
2  R49Y81Z   3  R49  Y81  NaN
3  D20U23X   4  D20  NaN  NaN

如果您对数字作为列名不满意，可以将其更改为 你想要的。

如果您对“缺少”匹配项的 NaN 值不满意 （对于与其他行相比找到较少匹配项的行）， 将.fillna('')添加到最后一条指令。

编辑

有一个较短的解决方案： 创建a后，您可以完成其余的全部处理 带有单说明：

pmap1.join(a[0].unstack()).fillna('')