Python 3.x 如何根据其他列的差异连接文本列？

我有以下数据帧

       top   bottom                      fontname    size       x0       x1                           text
0   62.890   73.890  HNGMRP+HelveticaNeueLTStd-Bd  11.000  321.730  520.115  RISK MANAGEMENT AND INTERNAL 
1   76.893   87.893  HNGMRP+HelveticaNeueLTStd-Bd  11.000  321.730  376.334                        CONTROL
2  146.897  157.897  HNGMRP+HelveticaNeueLTStd-Bd  11.000   76.535  203.662              COMPANY SECRETARY
3  272.913  283.913  HNGMRP+HelveticaNeueLTStd-Bd  11.000   76.535  222.593          INDEPENDENT AUDITORS 
4  286.916  297.916  HNGMRP+HelveticaNeueLTStd-Bd  11.000   76.535  167.164                   REMUNERATION

我想

将

行[i]。text

和

行[i+1]的文本连接起来。text

if

abs（行[i]。底部行[i+1]。顶部行[i]。大小

将

合并的\u text

替换为

行[i]。text

替换

第[i]行。底部

到

第[i+1]行。底部

放弃

行[i+1]

例如：

• 第0行

  有

  文本

  ：

  风险管理和内部

• 第1行

  有

  文本

  ：

  控件

• 第0行

  和

  第1行

  大小相同：11

• abs（第[0]行）。底部第[1]行。顶部）

  为3.003

因为

3.003<11

• 所需的

  行[0]。文本
  为
  风险管理和内部控制
  

• 所需的

  行[0]。底部
  为
  87.893

• 行[1]

  已从数据帧中删除

为清楚起见，预期结果如下：

       top   bottom                      fontname    size       x0       x1                           text
0   62.890   87.893  HNGMRP+HelveticaNeueLTStd-Bd  11.000  321.730  520.115  RISK MANAGEMENT AND INTERNAL CONTROL
1  146.897  157.897  HNGMRP+HelveticaNeueLTStd-Bd  11.000   76.535  203.662  COMPANY SECRETARY
2  272.913  297.916  HNGMRP+HelveticaNeueLTStd-Bd  11.000   76.535  222.593  INDEPENDENT AUDITORS REMUNERATION

这就是我所尝试的：

def df_section_text(self) -> pd.DataFrame:
    df_title_text = self.df_title_text
    df_next_title_text = self.df_title_text.shift(-1).dropna()
    df_section_text = pd.DataFrame()
    
    for next_title, title in zip(df_next_title_text.itertuples(index=False),  df_title_text.itertuples(index=False)):
        diff_btw_titles = abs(title.bottom - next_title.top)
        
        if diff_btw_titles < title.size:
            title = pd.DataFrame([title]).to_dict()
            title['bottom'][0] = next_title.bottom
            title['text'][0] += next_title.text
            title = pd.DataFrame.from_dict(title)
        
        df_section_text = df_section_text.append([title])
    
    df_section_text = df_section_text.drop_duplicates(subset=['bottom']).reset_index()
    return df_section_text

def df_section_text（self）->pd.DataFrame：
df_title_text=self.df_title_text
df_next_title_text=self.df_title_text.shift（-1）.dropna（）
df_section_text=pd.DataFrame（）
对于下一个标题，zip中的标题（df_next_title_text.itertuples（index=False），df_title_text.itertuples（index=False））：
diff_btw_titles=abs（title.bottom-next_title.top）
如果不同标题

其中

self.df\u title\u text

是上述问题数据框

---

当行数增加时，速度会变慢。是否有另一种更快、更优雅的方法可以产生预期的结果？谢谢。

让我们尝试使用

shift

和

cumcount

获取子组，然后我们只需要根据该键使用

agg进行
groupby

s = (df['bottom'].shift()-df['top']).abs().gt(df['size']).cumsum()

out = df.groupby(s).agg({'top':'first',
                         'bottom':'last',
                         'fontname':'first',
                         'size':'first',
                         'x0':'first',
                         'x1':'first',
                         'text':' '.join})


out
Out[20]: 
       top   bottom  ...       x1                               text
0   62.890   87.893  ...  520.115  RISKMANAGEMENTANDINTERNAL CONTROL
1  146.897  157.897  ...  203.662                   COMPANYSECRETARY
2  272.913  297.916  ...  222.593   INDEPENDENTAUDITORS REMUNERATION
[3 rows x 7 columns]

这是一个极好的答案。此外，因为
top
和
bottom
的类型是
Decimal
：
s=（（df['bottom'].shift（）-df['top']）.abs（）>df['size']）。cumsum（）
将避免错误
Decimal.invalidooperation:[]
。