如何在pandas DataFrame中按连续Speaker分组拼接单词为句子？

要实现按连续相同的Speaker拼接句子，不能直接用groupby('Speaker')（会把所有同Speaker的内容合并，忽略是否连续的逻辑），需要先给连续的同Speaker序列生成唯一分组标识，再进行分组拼接。

完整代码 #

import pandas as pd

# 构造示例数据
data = {
    'Index': [0,1,2,3,4,5,6,7,0,8,9,10,11,12,13,14,15,16,17,18,19,20],
    'Speaker': ['spk_0']*7 + ['spk_1']*9 + ['spk_0']*4 + ['spk_2']*2,
    'Word': ['can','you','see','my','screen','now','?','yes',',','now','I','can','see','your','screen','.',
             'Let','me','start','then','yes','sure']
}
df = pd.DataFrame(data)

# 1. 生成连续Speaker的分组标识：当Speaker与上一行不同时，分组号递增
df['group_id'] = df['Speaker'].ne(df['Speaker'].shift()).cumsum() - 1

# 2. 按分组标识和Speaker分组，拼接Word为句子
result = df.groupby(['group_id', 'Speaker'])['Word'].apply(' '.join).reset_index()

# 3. 调整列名和索引，匹配预期结果
result = result.rename(columns={'Word': 'Sentence'}).drop(columns='group_id')
result = result.reset_index().rename(columns={'index': 'Index'})

# 可选：给无标点结尾的句子补全句号，对齐示例结果
result['Sentence'] = result['Sentence'].apply(lambda x: x + ' .' if not x.endswith(('.', '?')) else x)

print(result)

代码说明 #

1. 生成分组标识：

   • df['Speaker'].shift()获取上一行的Speaker值
   • ne()判断当前行与上一行Speaker是否不同，返回布尔值
   • cumsum()对布尔值累加（True=1，False=0），生成连续分组的唯一ID，最后减1让索引从0开始

2. 分组拼接：

   • 按group_id和Speaker分组，确保只有连续的同Speaker会被分到一组
   • apply(' '.join)将每组的Word列用空格拼接成句子

3. 结果调整：

   • 重命名列名、重置索引，匹配预期输出结构
   • 可选的标点补全：检查句子末尾是否有标点，没有则补充句号，和示例结果对齐

输出结果 #

内容的提问来源于stack exchange，提问作者shahzain