基于文件名提取指定子串并新增COMPANY NAME列的技术需求

需求明确 #

处理X公司的待清洗文件时，需完成以下操作：

• 从文件名（示例：RV_NETWORK_AXN TECHNOLOGY_7737463273272635）中提取位于第二个下划线之后、第三个下划线之前的公司名字串（示例：AXN TECHNOLOGY）
• 在文件中新增COMPANY NAME列，并将提取到的公司名填入该列的所有行

Python（Pandas）实现 #

这是数据清洗场景下最常用的方案，适用于CSV/Excel等结构化文件：

import pandas as pd
import os

# 替换为你的实际文件路径
file_path = "RV_NETWORK_AXN TECHNOLOGY_7737463273272635.csv"
file_name = os.path.basename(file_path)

# 拆分文件名提取公司名：按下划线分割后取索引为2的元素（索引从0开始）
split_parts = file_name.split('_')
company_name = split_parts[2]

# 读取文件（Excel文件请用pd.read_excel）
df = pd.read_csv(file_path)

# 新增列并填充值
df['COMPANY NAME'] = company_name

# 保存处理后的文件（可选择覆盖原文件或指定新路径）
df.to_csv(f"processed_{file_name}", index=False)

Shell脚本实现 #

适合批量处理文件或在服务器环境下操作：

# 替换为你的目标文件名
FILE="RV_NETWORK_AXN TECHNOLOGY_7737463273272635.csv"

# 提取公司名：awk按下划线分割后取第3个字段（计数从1开始）
COMPANY_NAME=$(echo "$FILE" | awk -F '_' '{print $3}')

# 给CSV文件新增列：表头追加字段名，数据行追加公司名
awk -v comp="$COMPANY_NAME" 'BEGIN{OFS=","} NR==1{print $0,"COMPANY NAME"} NR>1{print $0,comp}' "$FILE" > "processed_$FILE"

注意事项 #

• 若文件名中公司名部分不包含下划线，上述代码可直接生效；如果公司名可能包含下划线，需调整拆分逻辑：用split('_', 3)分割文件名，取第三部分后再截断到下一个下划线之前（例如split_parts = file_name.split('_', 3); company_name = split_parts[2].split('_')[0]）
• 处理Excel文件时，需注意文件格式（.xlsx/.xls）对应的读取/保存方法

内容的提问来源于stack exchange，提问作者DataWorld