如何在Python Pandas DataFrame中找到正则匹配的起始和结束位置？

Question

我从数据库中获取DNA或蛋白质序列。这些序列是对齐的，所以虽然我总是知道一个输入序列，但它通常是被截断的，并且包含一些用“-”字符表示的空隙。我首先想在查询字符串中找到一个区域。在这种情况下，使用正则表达式搜索是非常合适的。接下来，我想从其他对齐的字符串中提取相应的区域（我在这里把它们称为“markup”和“hit”）。因为这些序列是对齐的，所以我想要的区域在所有字符串中都有相同的起始和结束位置。有没有简单的方法可以在pandas数据框中获取正则匹配的起始和结束位置呢？

import pandas as pd
import re
q1,q2,q3 = 'MPIMGSSVYITVELAIAVLAILG','MPIMGSSVYITVELAIAVLAILG','MPI-MGSSVYITVELAIAVLAIL'
m1,m2,m3 = '|| ||  ||||||||||||||||','||   | ||| :|| || |:: |','||:    ::|: :||||| |:: '
h1,h2,h3 = 'MPTMGFWVYITVELAIAVLAILG','MP-NSSLVYIGLELVIACLSVAG','MPLETQDALYVALELAIAALSVA' 
#create a pandas dataframe to hold the aligned sequences
df = pd.DataFrame({'query':[q1,q2,q3],'markup':[m1,m2,m3],'hit':[h1,h2,h3]})
#create a regex search string to find the appropriate subset in the query sequence, 
desired_region_from_query = 'PIMGSS'
regex_desired_region_from_query = '(P-*I-*M-*G-*S-*S-*)'

Pandas有一个很不错的提取功能，可以从查询中切出匹配的序列：

df['query'].str.extract(regex_desired_region_from_query)

但是我需要匹配的起始和结束位置，以便从markup和hit列中提取相应的区域。对于单个字符串，可以这样做：

match = re.search(regex_desired_region_from_query, df.loc[2,'query'])
sliced_hit = df.loc[2,'hit'][match.start():match.end()]
sliced_hit
Out[3]:'PLETQDA'

我目前的解决方法如下。（编辑后包含了nhahtdh的建议，因此避免了重复搜索。）

#define function to obtain regex output (start, stop, etc) as a tuple
def get_regex_output(x):
    m = re.search(regex_desired_region_from_query, x)
    return (m.start(), m.end())
#apply function
df['regex_output_tuple'] = df['query'].apply(get_regex_output)
#convert the tuple into two separate columns
columns_from_regex_output = ['start','end']      
for n, col in enumerate(columns_from_regex_output):
    df[col] = df['regex_output_tuple'].apply(lambda x: x[n])
#delete the unnecessary column
df = df.drop('regex_output_tuple', axis=1)

现在我想用得到的起始和结束整数来切割字符串。这个代码会很好：
df.sliced = df.string[df.start:df.end]
但我觉得目前并不存在这个功能。相反，我又一次使用了lambda函数：

#create slice functions
fn_slice_hit = lambda x : x['hit'][x['start']:x['end']]
fn_slice_markup = lambda x : x['markup'][x['start']:x['end']]

#apply the slice functions
df['sliced_markup'] = df.apply(fn_slice_markup, axis = 1)
df['sliced_hit'] = df.apply(fn_slice_hit, axis = 1)
print(df)

                       hit                   markup                    query   start  end sliced_markup sliced_hit
0  MPTMGFWVYITVELAIAVLAILG  || ||  ||||||||||||||||  MPIMGSSVYITVELAIAVLAILG       1    7        | ||       PTMGFW
1  MP-NSSLVYIGLELVIACLSVAG  ||   | ||| :|| || |:: |  MPIMGSSVYITVELAIAVLAILG       1    7        |   |      P-NSSL
2  MPLETQDALYVALELAIAALSVA  ||:    ::|: :||||| |::   MPI-MGSSVYITVELAIAVLAIL       1    8       |:    :    PLETQDA

pandas的.match、.extract、.findall函数有没有类似于.start()或.end()的属性呢？
有没有更优雅的切割方法？
任何帮助都将不胜感激！

暂无标签

如何在Python Pandas DataFrame中找到正则匹配的起始和结束位置？

1 个回答

撰写回答