Python Pandas：拆分列中多来源引用为新行新列及格式不一致处理

一、常规格式的引用拆分（对应你的示例1、目标效果2） #

你之前用explode失败，是因为explode只对列表/数组类型的单元格生效，而原始数据是字符串格式，得先把字符串拆成单个引用的列表，再拆分行：

步骤代码： #

import pandas as pd
import re

# 模拟你的原始数据（替换成你的真实DataFrame）
df = pd.DataFrame({
    'row_id': [1, 2],
    'source_citations': [
        "Deep Learning (2016); Machine Learning Basics (2018)",
        "NLP in Practice (2020)"
    ]
})

# 1. 将单个单元格的多引用拆分为列表（按分号+可选空格分割）
df['citations'] = df['source_citations'].str.split(';\s*')

# 2. 用explode拆分列表为独立行
df_split = df.explode('citations').drop(columns=['source_citations'])

# 3. 从每个引用中提取title和year（匹配"标题 (年份)"格式）
citation_pattern = r'(.*?)\s*\((\d{4})\)'
df_split[['title', 'year']] = df_split['citations'].str.extract(citation_pattern)

# 4. 清理标题的多余空格
df_split['title'] = df_split['title'].str.strip()

# 最终结果
print(df_split)

输出效果就是每个引用对应一行，分别有独立的title和year列。

二、处理格式不一致的引用（对应你的示例3） #

如果source_citations列存在分隔符不统一（比如用逗号、换行代替分号）、年份格式混乱（比如中文括号、无括号）等情况，需要用更鲁棒的正则和自定义函数处理：

适配多格式的代码： #

# 处理不同分隔符（分号、逗号、换行都作为分隔符）
df['citations'] = df['source_citations'].apply(
    lambda x: re.split(r'[;\n,]\s*', str(x)) if pd.notna(x) else []
)

# 自定义函数提取title和year，适配多种格式
def parse_citation(text):
    # 提取4位数字年份（不管有没有括号）
    year_match = re.search(r'\d{4}', text)
    year = year_match.group() if year_match else '未知年份'
    # 移除年份及周围的括号、空格，得到标题
    title = re.sub(r'\s*\(?\d{4}\)?\s*$', '', text).strip()
    # 处理空标题的情况
    title = title if title else '无标题'
    return pd.Series([title, year])

# 应用函数提取字段
df_split = df.explode('citations').drop(columns=['source_citations'])
df_split[['title', 'year']] = df_split['citations'].apply(parse_citation)

# 筛选异常行（可选，用于人工核对）
# abnormal_rows = df_split[df_split['year'] == '未知年份']
# print(abnormal_rows)

关键适配点： #

• 分隔符：用正则[;\n,]\s*匹配分号、换行、逗号作为分隔符，同时忽略后面的空格
• 年份提取：直接抓取字符串中的4位数字，兼容有无括号、中英文括号的情况
• 异常处理：对提取失败的年份/标题标记为"未知年份"/"无标题"，方便后续人工处理

内容的提问来源于stack exchange，提问作者jayh