本文介绍一种基于行分割与顺序切片的可靠方法，从结构化文本中精准提取两位选手的逐盘得分，避免因简单空格分割或错误步长切片导致的顺序错乱问题。
本文介绍一种基于行分割与顺序切片的可靠方法，从结构化文本中精准提取两位选手的逐盘得分，避免因简单空格分割或错误步长切片导致的顺序错乱问题。
在处理网球赛事原始文本（如直播字幕、爬虫抓取日志或裁判记录）时，常需从非结构化字符串中提取关键数值信息——尤其是两位选手每盘所赢局数（games per set）。这类文本虽看似杂乱，但通常具有强格式特征：关键得分独占一行、位于两名选手姓名之间或之后，且顺序严格对应实际比赛进程（如第一盘、第二盘……）。
原方案使用 split() 按空格切分后通过 numeric_parts[::2] 和 numeric_parts[1::2] 交替取值，本质上假设“所有数字按 p1/p2/p1/p2 交错排列”，但实际文本结构是 p1 的全部得分连续出现 → p2 的全部得分连续出现（见示例中 "4\n4" 紧随 Altmaier 后，"6\n6" 紧随 Kecmanovic 后）。因此，步长为 2 的切片会错误地将第1、3个数字归为 p1，造成 4 6 的错配。
✅ 正确解法应利用文本的行级结构：
- 使用 splitlines() 按换行符分割，保留原始逻辑行；
- 过滤出纯数字行（line.isdigit()），排除含文字的标题、结果句等干扰；
- 得到的数字列表天然保持输入顺序：前半段属于 Player 1，后半段属于 Player 2；
- 以中点 len(scores) // 2 为界切分，语义清晰且鲁棒性强。
以下是可直接集成的优化函数：
def extract_player_scores(row):
# 按行分割，提取纯数字行（每行一个局分）
lines = row['score'].splitlines()
scores = [line.strip() for line in lines if line.strip().isdigit()]
# 若无有效数字或数量为奇数，发出警告（异常情况需人工核查）
if len(scores) == 0:
return pd.Series(["", ""])
if len(scores) % 2 != 0:
print(f"Warning: Odd number of scores ({len(scores)}) in row {row.name}. Using floor division.")
n = len(scores) // 2
p1_scores = " ".join(scores[:n])
p2_scores = " ".join(scores[n:])
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)? 关键注意事项：
- ✅ splitlines() 比 split() 更符合文本语义——比分数字独立成行是网球记分的通用约定；
- ✅ strip() 防止首尾空格干扰 isdigit() 判断（如 " 4 "）；
- ⚠️ 若存在三盘以上比赛（如 4 4 6 vs 6 6 4），该方法仍适用，只要 p1 和 p2 的局分数目相等（即 len(scores) 为偶数）；
- ? 对于极少数异常文本（如缺失某盘比分、插入注释行），建议前置清洗（如用正则 r'^\d+$' 替代 isdigit() 以支持带符号数字）或添加日志追踪；
- ? 扩展性提示：若需进一步解析盘分（set score），可结合 Game Set and Match... 句中的 6-4 6-4 提取，与本函数输出交叉验证。
此方法简洁、可读性强，且完全规避了对文本内容位置的硬编码依赖，是处理此类有序结构化文本的推荐实践。
