如何从PDF提取物种作者信息并迭代添加至Pandas新列

看了你的问题，核心是循环遍历物种时没把匹配结果对应到DataFrame的正确行，导致赋值失效。这里给你两种简单直接的解决方案：

方法1：使用enumerate遍历并直接赋值 #

通过enumerate同时获取行索引和物种名，精准给full_name列的对应行赋值：

from PyPDF2 import PdfFileReader
import pandas
import regex

table = pandas.read_csv('mydata.csv')
table['full_name'] = ''
tmp = []
pdf = 'myfile.pdf'
pdf_r = PdfFileReader(pdf)
page_rg = range(29, 225)
for p in page_rg:
    page = pdf_r.getPage(p)
    text = page.extractText()
    tmp.append(text)
full_text = ''.join(tmp)

# 修改后的循环部分
for i, sp in enumerate(table.species):
    sp_re = sp + r'\s+[(A-Z][^:(\/]+(?=\s)'
    matches = regex.findall(sp_re, full_text)
    # 有匹配结果就取第一个，否则留空
    table.loc[i, 'full_name'] = matches[0] if matches else ''

关键说明： #

• enumerate(table.species)返回每个物种的**行索引i**和物种名sp，确保赋值对应到正确行
• findall返回匹配结果列表，取第一个元素matches[0]避免把列表存入单元格
• 用if matches判断是否找到结果，没匹配到则留空字符串

方法2：使用pandas apply函数（推荐） #

更符合pandas的高效用法，通过自定义函数+apply批量处理：

from PyPDF2 import PdfFileReader
import pandas
import regex

table = pandas.read_csv('mydata.csv')
tmp = []
pdf = 'myfile.pdf'
pdf_r = PdfFileReader(pdf)
page_rg = range(29, 225)
for p in page_rg:
    page = pdf_r.getPage(p)
    text = page.extractText()
    tmp.append(text)
full_text = ''.join(tmp)

# 定义提取全名的函数
def get_full_species_name(species):
    pattern = species + r'\s+[(A-Z][^:(\/]+(?=\s)'
    matches = regex.findall(pattern, full_text)
    return matches[0] if matches else ''

# 批量应用函数生成full_name列
table['full_name'] = table['species'].apply(get_full_species_name)

优势： #

• 代码更简洁，避免手动循环
• 处理大数据集时效率更高，符合pandas的向量式操作逻辑

验证结果 #

修改后你的数据集会生成期望的输出：

id_ref  id_sp  species                          full_name
0  20053  60645  Species Subspecies  
1  20053  61094  Acantholimon lycopodioides  Acantholimon lycopodioides (Girard) Boiss.
2  20053  61095  Achillea millefolium        Achillea millefolium L.
3  20053  61096  Aconitum chasmanthum        Aconitum chasmanthum Stapf ex Holmes
...

内容的提问来源于stack exchange，提问作者Junitar