pandas DataFrame如何从字典列表列提取组织名称

问题原因 #

之前运行的代码返回全量NaN，核心原因是Organizations列存储的是字符串格式的字典列表，不是Python原生的列表/字典对象：直接用.str[0]只能取到字符串的第一个字符[，自然无法索引到organization字段。

需求样例 #

原始数据 #

期望输出 #

实现代码 #

方案1：正则直接提取（推荐，代码简洁效率高） #

无需做格式转换，直接通过正则匹配所有organization=后的字段值，自动清理值前后多余空格，最后用英文逗号拼接：

import re
import pandas as pd

def extract_org(text):
    # 空值直接返回空字符串
    if pd.isna(text):
        return ''
    # 匹配organization=后到下一个逗号/右大括号之间的内容，去除前后空格
    orgs = [match.strip() for match in re.findall(r'organization=([^,}]+)', text)]
    return ', '.join(orgs)

# 生成新列
latin_combined['newOrg'] = latin_combined['organizations'].apply(extract_org)

方案2：格式转换后提取（适合需要同时取其他字段的场景） #

如果后续还需要提取character_offset等其他字段，可以先把字符串转换为Python原生列表字典结构，再取值：

import ast
import pandas as pd

def parse_and_extract(text):
    if pd.isna(text):
        return ''
    # 将字典键值对的=替换为:，适配Python字典语法
    formatted_text = text.replace('=', ':')
    # 安全转换为原生列表
    org_items = ast.literal_eval(formatted_text)
    # 提取组织名并清理空格
    orgs = [item['organization'].strip() for item in org_items]
    return ', '.join(orgs)

latin_combined['newOrg'] = latin_combined['organizations'].apply(parse_and_extract)

验证结果 #

用提供的前5行样本测试，新列输出如下，无NaN值：

注意事项 #

• 两个方案都会自动清理组织名前后的多余空格（比如样本中 Vac、 Museum这类带前后空格的值会被自动修正），输出格式统一
• 若组织名本身包含逗号，可调整正则匹配规则适配特殊格式

内容的提问来源于stack exchange，提问作者Anna