本文介绍如何从含嵌套逻辑的原始数据中提取隐式分组码（如行标题数字），并将其广播至后续明细行，最终生成结构清晰的二维表格，适用于医疗报表、财务明细等具有“汇总-明细”层级关系的数据清洗场景。
在实际数据分析中，我们常遇到一类“伪结构化”数据：原始表格虽为扁平格式，但语义上存在隐式的层级关系——某些行作为分组标题（如纯数字编号），其后若干行属于该组下的明细记录（如带 .xls 后缀的医院标识）。这类数据无法直接使用 pivot_table 处理，因为目标并非数值聚合，而是逻辑分组识别 + 标签广播。
核心思路是：
- 识别分组锚点：利用正则匹配纯数字行（如 "4"、"5"），作为每个明细区块的“Code”；
- 前向填充分组码：对匹配结果执行 ffill()，使每个明细行继承最近上方的分组码；
- 过滤无效行：剔除所有分组锚点行本身（即保留仅含 .xls 的明细行），保留结构化结果。
以下为完整实现代码（基于 pandas）：
import pandas as pd
# 示例原始数据
df = pd.DataFrame({
"Row tags": [
"4",
"100101 - Hospital A.xls",
"100195 - Hospital B.xls",
"100105 - Hospital C.xls",
"5",
"100101 - Hospital A.xls",
"100195 - Hospital B.xls"
],
"Values": [100, 30, 30, 40, 50, 25, 25]
})
# 步骤1：提取纯数字行 → 生成布尔掩码对应的分组码列
nums = df["Row tags"].str.extract(r"^(\d+)$") # 匹配行首到行尾的纯数字
df["Code"] = nums.ffill() # 前向填充，使明细行获得对应分组码
# 步骤2：仅保留明细行（即原"Row tags"列不匹配纯数字的行）
mask = nums.isna().values # True 表示该行不是纯数字（即为明细行）
result = df[mask].reset_index(drop=True)[["Code", "Row tags", "Values"]]
result.columns = ["Code", "Hospital", "Values"] # 重命名列以匹配期望输出
print(result)输出结果：
Code Hospital Values 0 4 100101 - Hospital A.xls 30 1 4 100195 - Hospital B.xls 30 2 4 100105 - Hospital C.xls 40 3 5 100101 - Hospital A.xls 25 4 5 100195 - Hospital B.xls 25
✅ 关键注意事项：
- 正则 r"^(\d+)$" 严格匹配整行纯数字，避免误匹配 100101 这类长数字；若需支持带空格的数字（如 " 4 "），可改用 r"^\s*(\d+)\s*$"；
- ffill() 依赖原始行序，务必确保数据顺序不可打乱（如避免未指定 sort=False 的 groupby 或随机采样）；
- 若存在开头无分组码的明细行，ffill() 将产生 NaN，建议增加校验：result = result.dropna(subset=["Code"])；
- 本方法时间复杂度为 O(n)，远优于循环或 apply，适合万级以内数据；超大规模时可结合 numba 加速正则提取。
该方案跳过冗余的中间布尔列与手动循环，以向量化操作直击本质——将隐式层级显式编码，是处理同类“标题-明细”混合数据的简洁范式。
