如何从西甲非结构化赛季末积分榜提取数据生成Pandas DataFrame

针对你提取西甲积分榜积分的困境，核心问题在于非结构化数据中的冗余数字干扰了列定位，以下是针对性优化方案：

核心思路 #

放弃固定列名的硬匹配，转而通过正则精准提取关键信息：

1. 从每行中分离排名、球队名称
2. 定位每行中的积分（通常是该行最后一个有效数字，或符合积分范围的数值）

修改后的代码实现 #

import re
import pandas as pd

# 替换为你的原始数据
my_unstructured_text = """
1. Real Madrid  38  25  7  6  80  32  +48  57 Champions
2. Barcelona    38  24  6  8  75  35  +40  54
...
20. Levante     38  7  10  21  30  65  -35  24 Relegated
"""

# 预处理清理干扰内容
raw_data = re.sub(r'-{40,}', '', my_unstructured_text)
raw_data = re.sub(r'\[.*?\]', '', raw_data)
raw_data = re.sub(r'(Champions|Relegated)', '', raw_data)
rows = raw_data.strip().split('\n')

# 提取每行的排名、球队、积分
processed_rows = []
for row in rows:
    if not row.strip():
        continue
    # 正则匹配：排名（数字+点）、球队名称、行尾积分
    match = re.match(r'(\d+)\.\s*(.*?)\s+.*?(\d+)\s*$', row.strip())
    if match:
        pos = match.group(1)
        team = match.group(2).strip()
        pts = match.group(3)
        processed_rows.append([pos, team, pts])

# 生成目标DataFrame
df = pd.DataFrame(processed_rows, columns=['pos', 'tm', 'pts'])
print(df)

关键逻辑说明 #

• 正则表达式 (\d+)\.\s*(.*?)\s+.*?(\d+)\s*$：
  • (\d+)\.：精准匹配排名（数字+点号格式）
  • (.*?)：非贪婪匹配球队名称，避免和后续数字字段混淆
  • (\d+)\s*$：匹配行尾的积分（最后一组连续数字）
• 跳过空行保证数据有效性，直接生成仅包含目标三列的DataFrame，无需处理冗余字段

如果你的原始数据中积分并非始终在末尾，可调整正则逻辑，比如匹配符合西甲单赛季积分范围（0-114）的数值，将积分匹配部分替换为 (\b[0-9]{1,3}\b) 并结合位置判断。

内容的提问来源于stack exchange，提问作者Ozz Outao