如何将TXT文件中的合并字符串拆分为列表并转换为Pandas DataFrame？

音频转文本文件转录 #

从文本文件转换为Pandas DataFrame。

当前读取文件的代码：

with open('random.txt', 'r') as f:
    for line in f:
        print(line)  
    f.close()

当前输出：

['0.68', '2.54', 'Yes, I believe so.']['3.74', '4.04', ' Agree']['6.74', '8.3', 'I, also agree']

期望输出：

希望用正则表达式实现，也接受其他解决方案。

解决方案 #

方法一：正则表达式解析

通过正则匹配提取每组的起始时间、结束时间和文本，再整理成DataFrame：

import re
import pandas as pd

# 读取文件完整内容
with open('random.txt', 'r') as f:
    content = f.read()

# 匹配格式为['数字', '数字', '文本']的分组
pattern = r"\['([\d.]+)', '([\d.]+)', '([^']+)'\]"
matches = re.findall(pattern, content)

# 清理文本中的多余空格并构造数据列表
cleaned_data = [[start, end, text.strip()] for start, end, text in matches]

# 转换为DataFrame
df = pd.DataFrame(cleaned_data, columns=['Start', 'End', 'Text'])
print(df)

方法二：字符串直接处理

如果文件格式固定，可通过替换特殊字符后分割，实现更简洁：

import pandas as pd

with open('random.txt', 'r') as f:
    content = f.read().replace('[', '').replace(']', '').replace("'", "")

# 按逗号分割后每3个元素为一组
items = content.split(', ')
data = [items[i:i+3] for i in range(0, len(items), 3)]

# 转换为DataFrame，可选将时间列转为数值类型
df = pd.DataFrame(data, columns=['Start', 'End', 'Text'])
df[['Start', 'End']] = df[['Start', 'End']].astype(float)
print(df)

内容的提问来源于stack exchange，提问作者Yermo