使用tabula读PDF得到单列pandas表格，如何按类别拆分为两列？

你当前的需求核心是按错位的表头关键词拆分单列数据，分别标记编码类型后合并为两列结构，以下是可直接运行的实现代码：

import pandas as pd

# 此处用你给出的示例数据做演示，实际使用时替换为你读取PDF得到的df即可
data = {'country_code':  [123, 124, 125, 127, 128, 'city_', 'code', 211, 221, 223, 224, 'store_', 'NA', 'code', 321, 3231, 3213, 32123]}
what_i_have = pd.DataFrame(data)

# 1. 定位不同编码类型的分界索引
city_header_idx = what_i_have[what_i_have['country_code'] == 'city_'].index[0]
store_header_idx = what_i_have[what_i_have['country_code'] == 'store_'].index[0]

# 2. 分段提取有效编码，分别标记类型
# 国家编码段：开头到城市表头前，跳过表头行
country_part = pd.DataFrame({
    '编码类型': '国家编码',
    '编码值': what_i_have.loc[:city_header_idx-1, 'country_code']
})
# 城市编码段：城市表头结束后（跳过头2行表头）到门店表头前
city_part = pd.DataFrame({
    '编码类型': '城市编码',
    '编码值': what_i_have.loc[city_header_idx+2 : store_header_idx-1, 'country_code']
})
# 门店编码段：门店表头结束后（跳过头3行表头）到末尾
store_part = pd.DataFrame({
    '编码类型': '门店编码',
    '编码值': what_i_have.loc[store_header_idx+3 :, 'country_code']
})

# 3. 合并所有段并删除空值
result_df = pd.concat([country_part, city_part, store_part], ignore_index=True).dropna()

# 输出最终结果
print(result_df)

适配说明 #

如果你的实际数据里表头关键词、表头行数和示例不同，只需要调整分界索引的匹配规则，以及对应分段跳过的表头行数即可，编码类型命名也可以按你的需求自定义修改。

内容的提问来源于stack exchange，提问作者NKG