在Python/Pandas中使用正则表达式操作符有条件地计算数据项

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])

这里我要做的是计算数据帧

df

的

A1

列中不包含字母A、T、C和G的任何组合的条目数

这些表达式应计为

BadData

：

• 123
• 您可以使用：

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

  它确保它以

  ACTG

  中的字母开头（regex

  ^

  ）和结尾（regex

  $

  ），并且只包含一个或多个字符
  要获得

  len

  ，只需对

  False

  值求和即可：

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

  这相当于：

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

  但我更喜欢读书
  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
  

  ---

  优雅而直接的解决方案。谢谢！：）

  >>> 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