如何拆分多空格分隔的文本列并正确存入DataFrame？

你的问题核心是公司名称包含空格，直接用\s+拆分会把名称拆成多列，导致列结构混乱。以下两种方法可以解决：

方法一：使用正则表达式捕获分组 #

利用后续列的固定格式（Form Type为短标识、CIK为纯数字、日期为YYYY-MM-DD、文件名是路径），用非贪婪匹配保留完整公司名称：

import pandas as pd

# 假设df1是已移除无关行、仅存数据行的单列DataFrame
pattern = r'^(.*?)\s+([A-Z0-9-]+)\s+(\d+)\s+(\d{4}-\d{2}-\d{2})\s+(.*)$'
split_df = df1[0].str.extract(pattern, expand=True)

# 重命名列
split_df.columns = ['Company Name', 'Form Type', 'CIK', 'Date Filed', 'File Name']

正则说明：

• (.*?)：非贪婪匹配，捕获完整公司名称（直到遇到后续列前的连续空格）
• ([A-Z0-9-]+)：捕获Form Type（支持字母、数字、短横线）
• (\d+)：捕获纯数字的CIK
• (\d{4}-\d{2}-\d{2})：捕获标准格式的日期
• (.*)：捕获剩余的完整文件名

方法二：按固定列宽拆分（更高效） #

EDGAR的Master Index是固定列宽格式，可以直接通过列位置拆分：

import pandas as pd

# 直接读取原txt文件，跳过前7行（含说明行、空行、表头行）
# colspecs定义各列的起始-结束位置（可根据实际数据微调）
colspecs = [(0, 60), (60, 68), (68, 78), (78, 88), (88, None)]
df = pd.read_fwf(
    'edgar_index.txt',
    skiprows=7,
    colspecs=colspecs,
    names=['Company Name', 'Form Type', 'CIK', 'Date Filed', 'File Name']
)

这种方法无需提前处理数据行，直接从文件读取即可得到结构正确的DataFrame。

内容的提问来源于stack exchange，提问作者Anik Choudhury