嘿，这种跨单元格的文档分组问题确实挺磨人的，嵌套循环不仅麻烦还容易出错，用Pandas的分组+聚合技巧就能轻松搞定，来看看具体步骤：

核心思路 #

利用空单元格作为文档分隔符，给每个连续的文档块分配唯一的分组ID，然后对每个分组做文本拼接和分数提取，完全不用写复杂的循环。

具体代码实现 #

假设你的DataFrame命名为df，文本列是text，分数列是score：

import pandas as pd

# 1. 生成文档分组ID：遇到空文本行就递增分组号
df['group_id'] = df['text'].isna().cumsum()

# 2. 过滤掉无内容的空行（比如文档间的多个空单元格）
df = df[(df['text'].notna()) | (df['score'].notna())]

# 3. 分组聚合：拼接文本+提取有效分数
result_df = df.groupby('group_id').agg(
    # 拼接分组内所有非空的文本单元格
    full_document=('text', lambda x: ' '.join(x.dropna().astype(str))),
    # 提取分组内唯一的有效分数（不管在首行还是末行）
    document_score=('score', lambda x: x.dropna().iloc[0])
).reset_index(drop=True)

代码解释 #

• 分组ID生成：df['text'].isna().cumsum()会在每遇到一个空文本行时，让group_id加1，这样每个连续的非空文本块（同一个文档）会被分到同一个组里，哪怕文档间有多个空单元格也不影响。
• 过滤空行：把那些既没有文本也没有分数的纯空行去掉，避免生成无效分组。
• 聚合操作：
  • 文本拼接：用join把分组内所有非空的文本单元格连起来，astype(str)是防止单元格里有非字符串类型的数据报错。
  • 分数提取：因为每个文档只有一个有效分数（不管在首行还是末行），所以先去掉空值，再取第一个值即可。

适配特殊情况 #

如果你的分数列空值不是NaN而是空字符串，可以把分数提取的lambda改成：

document_score=('score', lambda x: x[x != ''].iloc[0])

这样处理后，result_df里每一行就是一个完整的文档对应的文本和分数啦！

内容的提问来源于stack exchange，提问作者hp2500