本文介绍如何将按组分散的多行动物数值数据（如 dog、cat、owl）高效聚合成每组一行的宽格式 dataframe，避免重复分组和空值问题，并提供可扩展的解析逻辑。
本文介绍如何将按组分散的多行动物数值数据（如 dog、cat、owl）高效聚合成每组一行的宽格式 dataframe，避免重复分组和空值问题，并提供可扩展的解析逻辑。
在实际数据清洗场景中，常需从结构松散的文本（如日志、报表导出）中提取分组数据，并将其规整为标准的宽表（wide format）结构。原始代码的问题在于：每次遇到 dog/cat/owl 行就新建一条记录，导致同一组内多个动物被拆成多行；而理想结果是每个 Group 对应唯一一行，各动物字段填充对应数值，缺失则留空（NaN）。
核心思路是：按组维护一个动态字典（row），逐行解析时仅更新该字典，待组切换或文件结束时才提交为完整行。这比先生成长表再 groupby().agg() 更高效，也更可控——尤其当动物种类不固定、字段需动态扩展时。
以下是优化后的完整实现：
import pandas as pd
data = """
Jan 2024
Group1 02/02/2024
dog 10 20
cat 21 32
Group2 05/02/2024
dog 23 45
cat 45 65
owl 24 12
monthly
Admin 02 22
clean 05 32
"""
extract = []
row = None # 当前组的暂存字典
for line in data.strip().splitlines():
line = line.strip()
if not line: # 跳过空行
continue
# 检测新组开始（以 "Group" 开头）
if line.startswith("Group"):
# 提交上一组（若存在）
if row is not None:
extract.append(row)
# 初始化新组字典
group_name = line.split()[0] # 取第一个词，如 "Group1"
row = {"group": group_name}
# 解析动物行（必须以 dog/cat/owl 开头）
elif line.startswith(("dog", "cat", "owl")):
parts = line.split()
if len(parts) >= 2: # 确保至少有动物名和数值
animal, value = parts[0], parts[1]
row[animal] = value
# 文件结束，提交最后一组
if row is not None:
extract.append(row)
# 构建 DataFrame 并规范列序
df = pd.DataFrame(extract)
df = df[["group", "dog", "cat", "owl"]]
print(df)
输出结果：
group dog cat owl 0 Group1 10 21 NaN 1 Group2 23 45 24
✅ 关键优势说明：
- 无冗余计算：不依赖 groupby().agg()，避免中间长表构建与索引对齐开销；
- 强健性提升：通过 startswith() 精准匹配动物名，防止误判（如 "dog" 不会匹配 "dogfood"）；
- 易扩展：新增动物类型（如 "fox"）只需在 elif 条件中添加分支，无需修改结构逻辑；
- 空值语义清晰：未出现的动物自动为 NaN，符合 Pandas 默认行为，后续可用 fillna() 或 pd.concat() 统一处理。
⚠️ 注意事项：
- 若文本中动物行可能包含多余空格或制表符，建议用 line.split()（自动处理多种空白符）而非 line.split(" ")；
- 若需保留第二列数值（如 dog 10 20 中的 20），可将 value = parts[2]，并调整字典键名为 "dog_val1" / "dog_val2"；
- 对于超大规模文本，可考虑使用生成器逐块处理，避免内存峰值。
此方法兼顾简洁性、可读性与工程鲁棒性，是处理此类“组内多实体扁平化”任务的推荐实践。
