当前位置:

首页 > 编程开发 > 如何从 DataFrame 列中智能提取章节编号并映射到新列

如何从 DataFrame 列中智能提取章节编号并映射到新列

本文介绍一种基于正则匹配与上下文记忆的稳健方法,用于从 section_name 中提取结构化章节 ID(如 1.1、1.3.1),并将其填充至 section_id 列;对无编号条目(如 Synopsis)自动关联最近匹配的编号,空值保持不变。 在处理结构化文档类数据——比如测试用例、标准规范,或

本文目录
    本文介绍一种基于正则匹配与上下文记忆的稳健方法,用于从 section_name 中提取结构化章节 ID(如 1.1、1.3.1),并将其填充至 section_id 列;对无编号条目(如 Synopsis)自动关联最近匹配的编号,空值保持不变。

    在处理结构化文档类数据——比如测试用例、标准规范,或者从PDF表格里解析出来的结果——时,经常会遇到一个头疼的问题:数据框里的 `section_name` 列,既包含了带编号的标题(比如 "1.2.Schema12"),也混着纯内容标题(比如 "Synopsis")。目标很明确:为每一行数据准确推断出它所属的逻辑章节ID,然后填到新列 `section_id` 里。这可不是简单的字符串切分,背后其实是上下文语义映射的活儿。

    先说核心思路,其实就两步:

    1. 正则识别编号前缀:用 `re.match(r'(\d+(?:\.\d+)*)(.*)', s)` 这种模式,精确捕获由连续数字和点号组成的层级ID(支持 `1`、`1.1`、`1.3.1` 这种任意深度),剩下的部分就作为“语义标识符”存进一个映射字典里。
    2. 模糊反向匹配:对于那些没有编号的行(比如 "Synopsis"),就去遍历已经记录下来的语义标识符,检查当前名称是不是某个标识符的子串(条件就是 `if name.strip() in known_semantic_key`),从而确定它的归属。

    下面是一段可以直接运行的完整代码,已经处理了空值、None和空白字符串这些边界情况:

    import pandas as pd
    import numpy as np
    import re
    
    # 构造示例数据(含空值与 None)
    data = {
        'section_name': [
            '1.Test Summary9',
            '1.1.Synopsis9',
            '1.2.Schema12',
            '1.3.1.Test Period  I - Screening13',
            '1.3.2.Period II - obes-Treatment 15',
            'Synopsis',
            'Test Period  I - Screening',
            None,
            ''
        ]
    }
    df = pd.DataFrame(data)
    
    def extract_section_id(row, memo_dict):
        name = row['section_name']
        # 跳过 None 和纯空白
        if pd.isna(name) or str(name).strip() == '':
            return ''  # 或返回 np.nan,按需选择
        s = str(name).strip()
        # 步骤1:尝试匹配编号前缀(如 1.3.1)
        match = re.match(r'^(\d+(?:\.\d+)*)\.(.*)$', s)
        if match:
            sec_id, semantic_part = match.groups()
            # 记录该语义片段对应的 ID(用于后续匹配)
            memo_dict[semantic_part] = sec_id
            return sec_id
        else:
            # 步骤2:对无编号行,在历史语义片段中查找包含关系
            for semantic_key, sec_id in memo_dict.items():
                if s in semantic_key or semantic_key in s:
                    return sec_id
        return ''  # 未匹配时返回空字符串
    
    # 初始化记忆字典
    section_map = {}
    df['section_id'] = df.apply(lambda x: extract_section_id(x, section_map), axis=1)
    print(df)
    

    输出结果是这样的:

                             section_name section_id
    0                      1.Test Summary9          1
    1                        1.1.Synopsis9        1.1
    2                         1.2.Schema12        1.2
    3   1.3.1.Test Period  I - Screening13      1.3.1
    4  1.3.2.Period II - obes-Treatment 15      1.3.2
    5                             Synopsis        1.1
    6           Test Period  I - Screening      1.3.1
    7                                None           
    8                                           
    

    这套方法有几处关键优势:

    • 鲁棒性高:显式处理了 None、空字符串和前后空格,不会因为这些边缘情况崩掉。
    • 语义感知:通过 `s in semantic_key` 这种条件,实现了“Synopsis 属于 1.1.Synopsis9”的合理映射,而不是简单粗暴的前缀匹配。
    • 状态可维护:`memo_dict` 字典在 `apply` 过程中不断累积已识别的模式,天然支持多层级文档的流式处理。
    • 正则精准:`^(\d+(?:\.\d+)*)\.` 这个模式,确保只匹配开头的合法编号加一个点号,避免了误把 `Schema12` 里的 `12` 当成编号截取出来。

    不过,有几个细节需要注意:

    • 如果存在歧义语义,比如 "Summary" 同时出现在 `1.Test Summary9` 和 `2.Summary Notes` 里,就需要增强匹配逻辑了。可以考虑改成 `semantic_key.startswith(s)`,或者引入编辑距离来辅助判断。
    • 生产环境里,建议把函数封装成独立模块,并加上日志记录,把那些匹配不上的项记下来,方便人工复核。
    • 对于特别大的 DataFrame,可以改用 `itertuples()` 来提升性能,但需要注意的是,`memo_dict` 字典仍然需要跨行共享,确保状态一致。

    总的来说,这个方法在准确性、可读性和工程实用性之间找到了一个不错的平衡点,很适合用来处理各种嵌套编号文档的结构化解析任务。

    本站声明:本文内容由网友自发贡献,版权归原作者所有,本站不承担相应法律责任。如您发现有涉嫌抄袭侵权的内容,请联系bd@zhengruan.com
    作者最新文章
    编程开发
    相关文章 更多
    悟空浏览器怎么彻底清理浏览器配置文件
    悟空浏览器怎么彻底清理浏览器配置文件

    彻底清理悟空浏览器的数据,通常有三个路径:通过手机系统设置能一次性清除所有配置和用户信息;利用浏览器内置功能,可以只清理缓存而保留个性化设置;最彻底的则是卸载重装,让应用回到初始状态。 悟空浏览器用久了,是不是偶尔会感觉变慢,或者出现一些难以解释的小毛病?有时候,与其一个个排查问题,不如来一次彻底的

    漫蛙漫画官网首页登录入口
    漫蛙漫画官网首页登录入口

    漫蛙漫画首页登录入口https://www.manwamh.top/:一触即达的漫画世界核心枢纽 对于漫画迷而言,找到那个可靠的资源门户至关重要。漫蛙漫画的首页登录入口,正是这样一个核心渠道。通过它,你可以直接跳转到漫蛙2漫画APP的下载页面,轻松几步完成安装,马上就能投入到精彩纷呈的漫画之旅中。 漫蛙漫画首页登录入口: 官方入口地址已经为你备好

    漫蛙漫画官方入口
    漫蛙漫画官方入口

    漫蛙漫画官方入口与核心功能解析 寻找一个稳定、资源丰富的漫画在线阅读平台,是许多漫画爱好者的共同需求。其中,漫蛙漫画官方入口及其免费全集服务,受到了不少关注。那么,这个平台究竟如何?下面,我们就来深入了解一下它的具体信息与特色功能。 平台的官方访问地址是:https://www.manwa123.c

    漫蛙动漫APP最新版本下载
    漫蛙动漫APP最新版本下载

    对于动漫爱好者而言,找到一个资源全、体验佳的追番平台,常常是件头疼事。漫蛙动漫APP的定位很明确:就是要打造一个聚合全球正版动漫资源的专属乐园。无论是当季火爆的日漫新番、值得回味的经典国创,还是那些小众却精彩的优质动画,在这里基本都能一网打尽。平台底层采用了智能缓冲技术,最大程度保证了播放的流畅度,

    漫蛙官网入口免费下载最新版
    漫蛙官网入口免费下载最新版

    想要获取正版manwa漫蛙APP?官方指定下载渠道就是漫蛙官网入口。 对于漫画迷而言,找到一款心仪的阅读神器至关重要。漫蛙APP正是这样一款专为全球漫画爱好者打造的平台,它汇聚了从日韩人气连载到本土原创精品的海量资源。说它“应有尽有”毫不为过。更重要的是,其界面设计清爽直观,搭配智能检索功能,能让用

    漫蛙漫画在线观看入口
    漫蛙漫画在线观看入口

    想要畅享海量正版漫画资源?漫蛙漫画平台不容错过 对于漫画迷来说,找到一个资源丰富、体验流畅的正版平台实属幸事。漫蛙漫画凭借其优质的在线阅读服务,已经成为了许多资深读者的心头好。今天,我们就来详细拆解一下平台的访问方法与实用技巧,助你轻松开启漫画之旅。 漫蛙漫画网页入口页面指南 想立刻体验?官方在线观

    漫蛙如何下载最新版本
    漫蛙如何下载最新版本

    漫蛙漫画网APP官方下载方法全解析 对于资深漫画迷来说,找到一个资源全、更新快、体验佳的阅读平台,就像淘到了宝藏。漫蛙漫画网APP,正是这样一个专为爱好者打造的精品集散地。它汇聚了全球优质的正版漫画,从火爆的日漫连载到崛起的国创佳作,平台都能做到实时同步更新。当然,第一步得先把它装到设备上。接下来,

    漫蛙漫画APP最新版本下载
    漫蛙漫画APP最新版本下载

    漫蛙漫画APP:专业漫画阅读工具的全面革新 作为一款专业的漫画阅读工具,漫蛙漫画APP整合了全球优质漫画资源,其升级版漫蛙2在功能与体验上可谓全面革新。这款应用不仅囊括日漫经典与国漫新作,更通过简洁直观的界面设计和流畅操作,为用户打造沉浸式阅读环境,充分满足各类漫画爱好者的多样化需求。 漫蛙漫画特色

    卖茶叶妈妈3d漫蛙安卓版下载
    卖茶叶妈妈3d漫蛙安卓版下载

    当下动漫圈热议的卖茶叶妈妈3d漫蛙下载,凭借其突破性的3D视觉技术成为焦点 最近动漫爱好者们都在讨论一个现象级产品——卖茶叶妈妈3d漫蛙下载。这款由漫蛙漫画平台倾力打造的3D作品专区,用立体建模与动态分镜彻底颠覆了传统二维漫画的阅读模式。你猜怎么着?现在只需通过专区提供的便捷下载通道,无论是热血冒险

    漫蛙下载最新版本
    漫蛙下载最新版本

    漫蛙APP:资深漫画迷的移动图书馆与阅读利器 对于漫画爱好者来说,找到一个资源全、体验好的阅读平台,从来都不是件容易的事。而漫蛙APP,恰恰就是为这个需求而生的。它凭借海量的正版漫画库和极其便捷的离线下载功能,在圈内积累了相当不错的口碑。更重要的是,从经典的日本热血漫到新兴的国产原创作品,它几乎一网

    查看更多
    精品专题 更多
    装机必备
    装机必备

    正软商城装机必备专区,精选办公、浏览器、安全防护、影音播放、压缩解压、设计创作和系统工具等电脑常用正版软件,帮助用户快速完成新电脑软件配置。

    Windows
    Windows

    正软商城Windows软件专区,汇集适用于Windows电脑的办公、设计、安全防护、影音播放、开发工具和系统优化软件,提供软件介绍、系统要求、正版授权及购买下载服务。

    PDF教程
    PDF教程

    正软商城PDF教程频道提供PDF编辑、转换、合并、拆分、压缩及格式处理方法,同时介绍常用PDF软件和工具的使用技巧。

    Mac软件 更多
    讯飞智作 网页版
    讯飞智作 网页版
    Windows/ macOS/ Linux

    讯飞智作是一款基于语音合成技术、虚拟人驱动技术与数字人形象声音构建能力的 AI 数字人音视频创作平台。

    火山引擎 网页版
    火山引擎 网页版
    Windows/ macOS/ Linux

    火山引擎是字节跳动旗下企业级云与AI服务平台。聚焦大模型核心能力,依托字节自研豆包多模态大模型,凭借火山方舟一站式平台,提供模型精调、推理部署、智能应用搭建等全链路服务,结合高性能AI算力,助力各行业快速落地大模型数字化与智能化应用。

    Aperty macOS版
    Aperty macOS版
    macOS

    Aperty 是 Skylum 推出的 AI 人像修图软件,支持自然肤质修饰、瑕疵处理、面部与身体调整、预设及批量同步。

    WINDOWS 更多
    讯飞智作 网页版
    讯飞智作 网页版
    Windows/ macOS/ Linux

    讯飞智作是一款基于语音合成技术、虚拟人驱动技术与数字人形象声音构建能力的 AI 数字人音视频创作平台。

    火山引擎 网页版
    火山引擎 网页版
    Windows/ macOS/ Linux

    火山引擎是字节跳动旗下企业级云与AI服务平台。聚焦大模型核心能力,依托字节自研豆包多模态大模型,凭借火山方舟一站式平台,提供模型精调、推理部署、智能应用搭建等全链路服务,结合高性能AI算力,助力各行业快速落地大模型数字化与智能化应用。

    PixTV 网页版
    PixTV 网页版
    Windows

    PixTV 是一款在浏览器中使用的 AI 视觉内容创作平台,提供图片、视频、音频、文字生成、AI 分镜、局部重绘、提示词反推和无限画布等工具,适合短剧、漫剧、广告及社交媒体内容制作。