如何根据特定条件生成章节ID

Question

我有一个 pandas 数据框，里面有这样的输入：

    data = {
    'sec_id': ['1', '', '1.2', '1.3', '1.3.1', '1.3.2', '2', '2.1', '2.2', '2.3', '', '2.3.2', '2.3.3', '3', '4', '4.1', '4.1.1', '4.2', '4.3', '4.4', '5', '5.1', '5.2', '5.3', '5.3.1', '5.3.2', '5.3.3', '5.3.4', '5.3.5', '5.4', '5.5', '6', '6.1', '6.1.1', '6.2', '6.3', '6.4', '6.5', '6.6', '6.6.1', '6.6.2', '6.6.3', '6.7', '6.8', '6.9', '6.9.1', '', '', '6.9.2'],
    'p_type': ['Heading1', 'Heading2', 'Heading2', 'Heading2', 'Heading3', 'Heading3', 'Heading1', 'Heading2', 'Heading2', 'Heading2', 'Heading3', 'Heading3', 'Heading3', 'Heading1', 'Heading1', 'Heading2', 'Heading3', 'Heading2', 'Heading2', 'Heading2', 'Heading1', 'Heading2', 'Heading2', 'Heading2', 'Heading3', 'Heading3', 'Heading3', 'Heading3', 'Heading3', 'Heading2', 'Heading2', 'Heading1', 'Heading2', 'Heading3', 'Heading2', 'Heading2', 'Heading2', 'Heading2', 'Heading2', 'Heading3', 'Heading3', 'Heading3', 'Heading2', 'Heading2', 'Heading2', 'Heading3', 'Heading4', 'Heading4', 'Heading3']
}
df = pd.DataFrame(data)

现在的问题是，要把空白的 "document_section_id" 值填上正确的段落 ID，使用前面的值作为参考。

条件：

1. 数字的位数由 "paragraph type" 列决定。例如，对于 "Heading3"，应该有 4 位数字和 3 个点，格式是：1.2.3.1。

2. 对于每个空值，它应该参考前面可用的 "paragraph type"，并相应地加 1。 例子 1：根据输入，第 12 行的段落 ID 可以从前一行得出，计算结果是 2.3.1。例子 2：对于第 48 和 49 行，段落 ID 需要分别得出为 6.9.1.1 和 6.9.1.2。

最多可以有 10 级子段，所以这一点也要考虑到，无论子段的数量是多少。

输出：

   sec_id = [
    '1', '1.1', '1.2', '1.3', '1.3.1', '1.3.2', '2', '2.1', '2.2', '2.3', 
    '2.3.1', '2.3.2', '2.3.3', '3', '4', '4.1', '4.1.1', '4.2', '4.3', 
    '4.4', '5', '5.1', '5.2', '5.3', '5.3.1', '5.3.2', '5.3.3', '5.3.4', 
    '5.3.5', '5.4', '5.5', '6', '6.1', '6.1.1', '6.2', '6.3', '6.4', 
    '6.5', '6.6', '6.6.1', '6.6.2', '6.6.3', '6.7', '6.8', '6.9', '6.9.1', 
    '6.9.1.1', '6.9.1.2', '6.9.2'
]

p_type = [
    'Heading1', 'Heading2', 'Heading2', 'Heading2', 'Heading3', 'Heading3', 
    'Heading1', 'Heading2', 'Heading2', 'Heading2', 'Heading3', 'Heading3', 
    'Heading3', 'Heading1', 'Heading1', 'Heading2', 'Heading3', 'Heading2', 
    'Heading2', 'Heading2', 'Heading1', 'Heading2', 'Heading2', 'Heading2', 
    'Heading3', 'Heading3', 'Heading3', 'Heading3', 'Heading3', 'Heading2', 
    'Heading2', 'Heading1', 'Heading2', 'Heading3', 'Heading2', 'Heading2', 
    'Heading2', 'Heading2', 'Heading2', 'Heading3', 'Heading3', 'Heading3', 
    'Heading3', 'Heading2', 'Heading2', 'Heading2', 'Heading3', 'Heading4', 
    'Heading4', 'Heading3'
]

这是我尝试的代码，但输出结果不准确：

current_section_id = ""
current_level = 0

for index, row in df.iterrows():
    if row['sec_id'] == '':
        current_level += 1
        section_id = current_section_id.split('.')
        section_id[current_level - 1] = str(int(section_id[current_level - 1]) + 1)
        section_id = '.'.join(section_id[:current_level])
        current_section_id = section_id
        df.at[index, 'document_section_id'] = section_id
    else:
        current_section_id = row['sec_id']
        current_level = row['paragraph_type'].count('Heading') - 1

Answer 1

我觉得在Pandas里不需要这样做。你可以创建一个类，这个类可以跟踪当前的段落，并根据段落的类型来增加1，或者添加一个子段落，或者截断并增加。

这里有个例子：

class SectionCreator:
    def __init__(self):
        self.section = [0]

    def __call__(self, paragraph_type: str):
        depth = int(paragraph_type.replace('Heading', ''))
        section = self.section[:depth]
        if depth == len(section) + 1:
            section.append(1)
        elif depth > len(section) + 1:
            raise ValueError(f'Heading depth increased from {len(section)} to {depth}')
        else:
            section[depth - 1] += 1
        self.section = section
        return '.'.join(map(str, self.section))

使用的时候，先创建这个对象，然后一次传入一个段落类型。

headings = ['Heading1', 'Heading2', 'Heading2', 'Heading2', 'Heading3', 
'Heading3', 'Heading1', 'Heading2', 'Heading2', 'Heading2', 'Heading3', 
'Heading3', 'Heading3', 'Heading1', 'Heading1', 'Heading2', 'Heading3', 
'Heading2', 'Heading2', 'Heading2', 'Heading1', 'Heading2', 'Heading2', 
'Heading2', 'Heading3', 'Heading3', 'Heading3', 'Heading3', 'Heading3', 
'Heading2', 'Heading2', 'Heading1', 'Heading2', 'Heading3', 'Heading2', 
'Heading2', 'Heading2', 'Heading2', 'Heading2', 'Heading3', 'Heading3', 
'Heading3', 'Heading2', 'Heading2', 'Heading2', 'Heading3', 'Heading4', 
'Heading4', 'Heading3']

sc = SectionCreator()

for h in headings:
    print(sc(h))

打印出来的结果是：

1
1.1
1.2
1.3
1.3.1
1.3.2
2
2.1
2.2
2.3
2.3.1
2.3.2
2.3.3
3
4
4.1
4.1.1
4.2
4.3
4.4
5
5.1
5.2
5.3
5.3.1
5.3.2
5.3.3
5.3.4
5.3.5
5.4
5.5
6
6.1
6.1.1
6.2
6.3
6.4
6.5
6.6
6.6.1
6.6.2
6.6.3
6.7
6.8
6.9
6.9.1
6.9.1.1
6.9.1.2
6.9.2

我添加了一个例外情况，就是当段落类型的深度跳跃超过1级时，会抛出一个异常。所以从2跳到4会引发异常。

sc = SectionCreator()
sc('Heading1')    # -> "1"
sc('Heading2')    # -> "1.1"
sc('Heading4')
# raises:
ValueError: Heading depth increased from 2 to 4