本文介绍如何从结构化文本（如网球比赛记录）中准确提取两位选手的逐盘得分，避免因简单切片导致的顺序错乱，核心是基于换行符分割并按逻辑位置分组数字行。
本文介绍如何从结构化文本（如网球比赛记录）中准确提取两位选手的逐盘得分，避免因简单切片导致的顺序错乱，核心是基于换行符分割并按逻辑位置分组数字行。
在处理体育赛事文本（尤其是网球比分）时，确保数值提取顺序与原始记录严格一致至关重要。原始方法使用 split() 将整段字符串按空格切分后，再用 numeric_parts[::2] 和 numeric_parts[1::2] 交替取值——这隐含了“得分交替出现”的错误假设，而实际文本中，选手1（如 Altmaier）的全部盘分连续出现在其姓名之后、对手姓名之前，选手2（如 Kecmanovic）的盘分则紧随其姓名之后、终场描述之前。因此，正确策略应立足于文本的行结构而非空格分隔。
✅ 推荐方案：按行解析 + 逻辑分段
由于目标数值各自独占一行（如 "4"、"4"、"6"、"6" 均为独立行），应优先使用 splitlines() 拆分，再筛选纯数字行：
def extract_player_scores(row):
lines = row['score'].splitlines()
# 提取每行均为纯数字的行（排除空行、含字母/标点的行）
numeric_lines = [line.strip() for line in lines if line.strip().isdigit()]
# 确保有偶数个有效数字行（通常为4个：p1两盘 + p2两盘）
n = len(numeric_lines)
if n == 0:
return pd.Series(["", ""])
# 前半部分属于选手1，后半部分属于选手2
mid = n // 2
p1_scores = " ".join(numeric_lines[:mid])
p2_scores = " ".join(numeric_lines[mid:])
return pd.Series([p1_scores, p2_scores])
# 应用于DataFrame
df_final[['p1_score', 'p2_score']] = df_final.apply(extract_player_scores, axis=1)? 关键原理说明
- splitlines() 保留结构语义：将 "4\n4\n6\n6" 正确拆为 ['4','4','6','6']，而非 split() 可能产生的 ['4','4','Game','Set',...] 干扰项；
- 位置即逻辑：在标准网球记分文本中，选手1的盘分先集中出现，选手2的盘分后集中出现，因此按行索引均分比交替取值更鲁棒；
- strip().isdigit() 安全过滤：兼顾空行和首尾空格，避免误判（如 " 4 " 或 "\n"）。
⚠️ 注意事项
-
若存在三盘两胜制（3个数字）或五盘三胜制（5个数字），n // 2 会向下取整，导致分配偏差。此时需结合上下文（如选手姓名位置）做精准锚定，例如：
# 进阶：基于选手姓名定位得分块（更健壮） text = row['score'] p1_start = text.find('Altmaier') + len('Altmaier') p1_end = text.find('Kecmanovic') p2_start = p1_end + len('Kecmanovic') p2_end = text.rfind('Game Set and Match') p1_block = text[p1_start:p1_end].strip() p2_block = text[p2_start:p2_end].strip() p1_scores = " ".join(re.findall(r'\b\d+\b', p1_block)) p2_scores = " ".join(re.findall(r'\b\d+\b', p2_block)) 生产环境建议增加异常处理（如 try/except）和日志，对 numeric_lines 长度异常（非偶数、为空）提供默认值或告警。
通过坚持“结构驱动”而非“模式猜测”，该方案可稳定复现 p1_score = "4 4" 和 p2_score = "6 6" 的预期结果，为后续比分分析（如破发点计算、盘分趋势）奠定准确数据基础。
