如何用Python提取DataFrame同行单元格多值并匹配生成新DataFrame

源数据 #

每月会收到固定格式的DataFrame，示例如下：

import pandas as pd

data = {
    'C1': ['Alpha, Charlie, Bravo','Beta, Gamma','Foxtrot, Delta'],
    'C2': [
        'Alpha, San Francisco, US ; Charlie, New York, US ; Bravo, London, UK', 
        'Beta, Singapore, Singapore ; Gamma, Tokyo, Japan',
        '[Foxtrot; Delta], Seoul, South Korea'
    ]
}
df = pd.DataFrame(data)

对应的表格：

预期结果 #

需要生成新的DataFrame，将C1中的每个值与C2中对应的信息匹配，特殊情况（如第三行）下C1的多个值对应同一个C2内容：

data2 = {
    'N1': ['Alpha', 'Charlie', 'Bravo','Beta', 'Gamma','Foxtrot', 'Delta'],
    'N2': [
        'Alpha, San Francisco, US', 
        'Charlie, New York, US', 
        'Bravo, London, UK', 
        'Beta, Singapore, Singapore', 
        'Gamma, Tokyo, Japan',
        '[Foxtrot; Delta], Seoul, South Korea',
        '[Foxtrot; Delta], Seoul, South Korea'
    ]
}
new_df = pd.DataFrame(data2)

对应的表格：

失败尝试 #

之前用嵌套循环实现，得到了错误的笛卡尔积结果，脚本如下：

new_list = []
for idx, vals in enumerate(df['C1']):
    vals = vals.split('; ')  # 拆分符错误，原C1是逗号分隔
    locs = (df['C2'].values[idx]).split(' ; ')
    for val in vals:
        for loc in locs:
            new_list.append((val.strip(), loc.strip()))

result_df = pd.DataFrame(data=new_list, columns=['N1', 'N2'])

错误结果是每个C1元素都和所有C2拆分元素配对，比如Alpha对应了三个C2值，不符合需求。

问题分析 #

1. 原脚本拆分C1时用错了分隔符：C1的元素是逗号加空格分隔，不是分号
2. 嵌套循环导致了笛卡尔积，而正确逻辑是：
   • 当C2拆分后的元素数量和C1拆分后的数量一致时，一对一配对
   • 当C2无法拆分成对应数量的元素时（如第三行），将C2的整个内容对应每个C1元素

解决方案 #

逐行处理DataFrame，根据每行的情况匹配对应值：

import pandas as pd

# 初始化结果列表
result = []

for _, row in df.iterrows():
    # 拆分C1：按逗号加空格分隔，去除每个元素的前后空格
    c1_items = [item.strip() for item in row['C1'].split(', ')]
    # 尝试拆分C2：按" ; "分隔
    c2_split = [item.strip() for item in row['C2'].split(' ; ')]
    
    # 判断拆分后的C2元素数量是否和C1一致
    if len(c2_split) == len(c1_items):
        # 一对一配对
        for c1, c2 in zip(c1_items, c2_split):
            result.append({'N1': c1, 'N2': c2})
    else:
        # C2为整体，每个C1元素对应同一个C2值
        c2_full = row['C2'].strip()
        for c1 in c1_items:
            result.append({'N1': c1, 'N2': c2_full})

# 生成新DataFrame
new_df = pd.DataFrame(result)
print(new_df)

运行后得到的结果完全符合预期，同时兼容两种格式的行数据。

内容的提问来源于stack exchange，提问作者ChillCode