如何使用Python将单列人员信息DataFrame重构为多列结构化表

核心思路是先按空行拆分不同人员的信息块，再对每个信息块做字段匹配提取，最终转换为结构化表。

完整可运行代码 #

import pandas as pd
import re
import numpy as np

# --------------- 替换为你自己的原始DataFrame即可 ---------------
# 示例输入：仅包含description列的DataFrame
raw_df = pd.DataFrame({
    'description': [
        '姓名：张三',
        '门牌号：XX小区3栋201室',
        '职位：产品经理',
        '电话：13800138000',
        '邮箱：zhangsan@example.com',
        '',  # 空行分隔不同人员
        '姓名：李四',
        '职位：后端开发工程师',
        '邮箱：lisi@example.com',
        '',  # 空行分隔不同人员
        '姓名：王五',
        '门牌号：YY花园1栋1002室',
        '电话：13900139000',
    ]
})

# -------------------- 第一步：按空行分组 --------------------
# 标记空行位置，生成人员分组ID，若空行含空格可把eq('')改为str.strip().eq('')
raw_df['group_id'] = raw_df['description'].eq('').cumsum()
# 过滤掉空行，按组聚合单个人员的所有信息行
person_groups = raw_df[raw_df['description'].ne('')].groupby('group_id')['description'].apply(list).tolist()

# -------------------- 第二步：定义字段匹配规则 --------------------
# 正则规则可根据你实际的文本格式调整，无匹配的字段默认填充NaN
def parse_person(lines):
    res = {
        'name': np.nan,
        'address': np.nan,
        'designation': np.nan,
        'telephone': np.nan,
        'email': np.nan
    }
    for line in lines:
        # 匹配姓名，若无前缀可调整为纯汉字匹配规则：r'^[\u4e00-\u9fa5]{2,4}$'
        name = re.search(r'(?:姓名|名字)[:：]\s*(.+)', line)
        if name:
            res['name'] = name.group(1).strip()
            continue
        # 匹配地址/门牌号
        addr = re.search(r'(?:门牌号|地址)[:：]\s*(.+)', line)
        if addr:
            res['address'] = addr.group(1).strip()
            continue
        # 匹配职位
        desig = re.search(r'(?:职位|岗位)[:：]\s*(.+)', line)
        if desig:
            res['designation'] = desig.group(1).strip()
            continue
        # 匹配手机号/固定电话
        tel = re.search(r'(?:电话|手机|联系电话)[:：]\s*([1]\d{10}|\d{3,4}-\d{7,8})', line)
        if tel:
            res['telephone'] = tel.group(1).strip()
            continue
        # 匹配邮箱
        email = re.search(r'(?:邮箱|email)[:：]\s*([a-zA-Z0-9._%+-]+@[a-zA-Z0-9.-]+\.[a-zA-Z]{2,})', line, re.I)
        if email:
            res['email'] = email.group(1).strip()
            continue
    return res

# -------------------- 第三步：生成结构化表 --------------------
parsed_list = [parse_person(group) for group in person_groups]
result_df = pd.DataFrame(parsed_list)

# 输出查看结果
print(result_df)

调整说明 #

如果你的原始文本没有「姓名：」「电话：」这类固定前缀，修改parse_person函数里对应字段的正则即可，直接匹配字段本身的特征：

• 姓名可匹配2-4个纯汉字的行
• 地址可匹配含「小区、栋、室、号、弄」等关键字的行
• 电话直接匹配手机号/固定电话格式即可
• 邮箱直接匹配含@的合法邮箱格式即可

内容的提问来源于stack exchange，提问作者Anton Asiri