使用for循环遍历pandas DataFrame生成实体标注数据问题求解

我是Python新手，目前使用for循环迭代读取CSV文件，CSV文件结构见上传的截图。
我的标注需求如下：

• 针对句子「Launch Flipkart https://www.flipkart.com」，提取(0,6)位置的实体Launch
• 针对句子「Enter Email xyz@gmail.com」，提取(0,5)位置的实体Enter
  我目前使用的代码如下：

df=pd.read_csv("File_name.csv")
l1=[]
l2=[]
for i in range(0,len(df['SENTENCE'])):
    l1.append(df['SENTENCE'][i])
    l2.append({"entities":[(0,len(df['SENTENCE'][i]),df['Operation'][i])]})
    l2.append({"entities":[(0,len(df['SENTENCE'][i]),df['Argument'][i])]})

TRAIN_DATA=list(zip(l1,l2))
TRAIN_DATA

我在第6行代码遇到了问题：

l2.append({"entities":[(0,len(df['SENTENCE'][i]),df['Operation'][i])]})

我知道应该将df['SENTENCE'][i]替换为变量，但不知道如何定义该变量才能得到最优结果。

你当前的问题除了变量定义之外，还有两个逻辑问题：一是用整个句子的长度作为实体结束下标，不符合你提取句首第一个词的需求；二是重复给同一句子追加两个实体字典，不符合常规NER训练数据的格式要求（单句对应一个实体列表，所有实体放在同一列表内）。
优化后的代码如下：

import pandas as pd

df = pd.read_csv("File_name.csv")
TRAIN_DATA = []

# 用iterrows遍历DataFrame行，比按索引取值更稳妥
for _, row in df.iterrows():
    # 定义sentence变量替换df['SENTENCE'][i]，存储当前行的句子内容
    sentence = row['SENTENCE']
    # 自动计算句首第一个词的结束下标：取第一个空格的位置，无空格则取整个句子长度
    first_word_end = sentence.find(' ') if ' ' in sentence else len(sentence)
    # 组装实体列表
    entities = []
    # 标注Operation实体（你需求里的Launch、Enter都属于这类）
    if pd.notna(row['Operation']):
        entities.append((0, first_word_end, row['Operation']))
    # 如果需要标注Argument实体，补充对应下标逻辑后放开下面的注释即可
    # if pd.notna(row['Argument']):
    #     entities.append((start_idx, end_idx, row['Argument']))
    # 组装为训练数据加入列表
    TRAIN_DATA.append((sentence, {"entities": entities}))

print(TRAIN_DATA)

• 定义的sentence变量就是你需要的替换df['SENTENCE'][i]的变量，后续所有需要用到当前句子内容的地方直接调用该变量即可，无需重复访问DataFrame取值，代码可读性和运行效率都更高
• first_word_end会自动适配不同长度的句首词，不用手动写死下标数值，适配性更强
• 单条训练数据对应一个句子+所有实体的结构，符合spaCy等主流NLP框架的训练数据格式要求

内容的提问来源于stack exchange，提问作者user16974519