使用Camelot提取PDF表格后，如何遍历DataFrame遇空单元格拼接字符串？

解决方案思路 #

遍历第一列单元格，维护临时列表收集连续非空内容，遇到空单元格时，将列表内容以空格拼接后赋值给该段第一个非空单元格，同时清空该段其他单元格的内容；遍历结束后处理末尾未遇到空单元格的连续非空段。

代码实现 #

假设你已通过Camelot提取得到Pandas DataFrame格式的表格df，第一列名为col1：

import pandas as pd

# 初始化临时存储和起始索引
temp_items = []
first_non_empty_idx = None

for idx, cell_value in df['col1'].items():
    # 判断单元格是否为空（适配NaN、空字符串两种情况）
    is_empty = pd.isna(cell_value) or (isinstance(cell_value, str) and cell_value.strip() == '')
    
    if not is_empty:
        if first_non_empty_idx is None:
            first_non_empty_idx = idx
        temp_items.append(str(cell_value).strip())
    else:
        # 当收集到多个非空内容时执行拼接
        if first_non_empty_idx is not None and len(temp_items) > 1:
            # 拼接内容到第一个非空单元格
            df.at[first_non_empty_idx, 'col1'] = ' '.join(temp_items)
            # 清空该段后续的非空单元格
            for i in range(first_non_empty_idx + 1, idx):
                df.at[i, 'col1'] = ''
        # 重置临时变量
        temp_items = []
        first_non_empty_idx = None

# 处理遍历结束后剩余的连续非空段
if first_non_empty_idx is not None and len(temp_items) > 1:
    df.at[first_non_empty_idx, 'col1'] = ' '.join(temp_items)
    # 清空后续相关单元格
    for i in range(first_non_empty_idx + 1, df.shape[0]):
        current_val = df.at[i, 'col1']
        if not pd.isna(current_val) and current_val.strip() != '':
            df.at[i, 'col1'] = ''
        else:
            break

关键说明 #

• 空值判断逻辑：同时适配Camelot提取可能产生的NaN和空字符串，可根据实际提取结果调整。
• 临时变量作用：temp_items存储连续非空内容，first_non_empty_idx标记该段第一个非空单元格的位置。
• 边界处理：额外处理遍历结束后未遇到空单元格的连续段，避免内容遗漏。

内容的提问来源于stack exchange，提问作者NoExpert