python - 在 Python/Pandas 中使用正则表达式运算符有条件地计算数据条目数

Question

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

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

我在这里想做的是计算数据帧df的A1列中不包含的条目数字母 A、T、C 和 G 的任意组合。

这些表达式应计为 BadData:

• 123
• <%*&
• 富

但是这些表达式不应该:

• 一个
• ATCG
• 加特卡塔

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

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)])

但是这里我面临一个困难:我是否必须定义每个违反条件的字符？这看起来很笨拙，我相信有一种更优雅的方法。

Answer 1

您可以使用:

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

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

要获取 len，您只需将 False 值相加即可:

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

这相当于:

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

但我认为读起来更好。

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