本文介绍如何将按组分散在多行中的动物数值数据（如 dog、cat、owl）高效聚合为每个组一行的宽格式dataframe，避免逐行追加导致的稀疏结构，并提供可扩展的解析逻辑。
本文介绍如何将按组分散在多行中的动物数值数据（如 dog、cat、owl）高效聚合为每个组一行的宽格式dataframe，避免逐行追加导致的稀疏结构，并提供可扩展的解析逻辑。
在处理从文本日志、配置文件或爬虫结果中提取的分组结构化数据时，常见模式是：每个组以 GroupX 开头，随后多行以动物名（如 dog、cat、owl）为前缀，后跟对应数值。若直接按行构建 DataFrame，会因每行只含一个动物字段而产生大量缺失值（NaN），难以后续分析。理想目标是每个组占据一行，各动物字段填充其对应首个（或唯一）数值，形成规整的宽表。
关键在于：不逐行生成记录，而是按组累积字段，组切换或结束时统一提交一行。下面给出优化后的完整实现：
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 # 当前组的临时字典，键为列名，值为提取的数值
for line in data.splitlines():
line = line.strip()
if not line: # 跳过空行
continue
# 检测新组开始（如 "Group1", "Group2"）
if line.startswith("Group"):
# 若已有未提交的组数据，先保存
if row is not None:
extract.append(row)
# 初始化新组：提取组名（取首词），创建新字典
group_name = line.split()[0]
row = {"group": group_name}
# 检测动物数据行（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一个数值
animal = parts[0]
value = parts[1] # 取第一个数值（如 "dog 10 20" → "10"）
row[animal] = value
# 循环结束后，提交最后一个组（重要！易遗漏）
if row is not None:
extract.append(row)
# 构建 DataFrame，并规范列顺序
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
✅ 优势说明：
- 逻辑清晰：用 row 字典动态累积当前组字段，组变更时提交，避免索引错位；
- 健壮性强：跳过空行、校验字段数量，防止 IndexError；
- 易于扩展：新增动物类型（如 fox）只需在 elif 条件中添加前缀，并确保 split() 提取逻辑一致；
- 性能友好：单次遍历完成解析，时间复杂度 O(n)，远优于多次 groupby().agg() 后再 pivot 的方案。
⚠️ 注意事项：
- 若某组内同一动物出现多次（如两个 dog 行），本方案保留最后一次出现的值（因字典键覆盖）。如需保留首次值，可改为 row.setdefault(animal, value)；
- 数值字段若含单位或非数字字符（如 "dog 10kg"），建议在赋值前用正则清洗：re.search(r'(\d+)', line).group(1)；
- 最终列顺序通过 df[["group",...]] 显式指定，确保输出稳定——依赖字典插入顺序（Python 3.7+ 保证）虽可行，但显式声明更可靠。
该方法兼顾可读性与工程实践性，是处理此类嵌套文本结构的推荐范式。
