求助：将PDF中不规则主从行表格转换为Pandas DataFrame

针对你提到的PDF表格转DataFrame后的格式转换需求，我们可以通过Pandas的字符串匹配、填充和合并操作实现，具体步骤如下：

1. 预处理读取后的原始数据 #

假设你用tabula读取后的DataFrame命名为df，先统一处理空单元格：

import pandas as pd
# 替换空字符串为Pandas标准空值
df = df.replace("", pd.NA)

2. 标记主行与子行 #

根据子行的唯一关键词（示例中为"Child"），新增列区分主/子行，并标记主行名称：

# 标记子行（可根据实际关键词修改匹配规则）
df["is_child"] = df["Name"].str.contains("Child", na=False)
# 提取主行的Name值，用于后续关联子行
df["Master"] = df.loc[~df["is_child"], "Name"]

3. 关联子行与对应主行 #

将主行名称向下填充，让每个子行都匹配到对应的主行：

df["Master"] = df["Master"].ffill()

4. 子行继承主行空值列 #

用矢量化操作高效实现：子行空值取对应主行的列值，非空则保留自身数据：

# 拆分主行与子行数据
master_df = df[~df["is_child"]].rename(columns={"Name": "Master"}).set_index("Master")
child_df = df[df["is_child"]].set_index("Master")

# 合并填充：子行空值用主行对应值覆盖
child_df = child_df.combine_first(master_df).reset_index()

5. 整理成目标格式 #

筛选子行数据，调整列顺序，清理临时列：

# 按目标表格的列顺序整理
target_cols = ["Master", "Name", "Code A", "Code B", "More Columns"]
final_df = child_df[target_cols].reset_index(drop=True)

验证结果 #

打印最终DataFrame确认格式：

print(final_df)

运行后会自动过滤无对应子行的主行（如示例中的Master 0），完全匹配你给出的目标表格结构。

注意事项 #

• 若子行关键词不是"Child"，修改str.contains中的匹配字符串即可；
• 若PDF读取后存在重复表头，可通过df = df[~df["Name"].str.contains("Name", na=False)]提前过滤；
• 新增列无需修改代码，矢量化操作会自动处理所有列的空值继承逻辑。

内容的提问来源于stack exchange，提问作者Curious