使用python使用正則表達式在多個變量字段中拆分字符串

Question

我有一個數據框，某列的每一行都是來自某些格式錯誤的格式的文本，其中每個“字段”都在“字段標題”之后，例如：

山口
姓名：鮑勃姓氏：羅斯頭銜：畫家年齡：34
姓氏：艾薩克姓名：牛頓頭銜：硬幣檢查員年齡：42
年齡：20 頭銜：飛行員姓名：傑克
這是一些垃圾文本名稱：John 姓氏：Doe

例如，這些字段可以按任何順序排列，其中一些字段可能不存在。

我需要做的是解析字段，以便第二行變成這樣：

{'Name': 'Isaac','Surname': 'Newton',...}

雖然我可以處理“pythonic 部分”，但我認為應該使用一些正則表達式來完成解析（也因為行數為數千），但我不知道如何設計它。

Answer 1

嘗試：

x = df["col"].str.extractall(r"([^\s:]+):\s*(.+?)\s*(?=[^\s:]+:|\Z)")
x = x.droplevel(level="match").pivot(columns=0, values=1)

print(x.apply(lambda x: x[x.notna()].to_dict(), axis=1).to_list())

印刷：

[
    {"Name": "Bob", "Surname": "Ross", "Title": "painter", "age": "34"},
    {
        "Name": "Newton",
        "Surname": "Isaac",
        "Title": "coin checker",
        "age": "42",
    },
    {"Name": "jack", "Title": "pilot", "age": "20"},
]