Ho usato un OCR su migliaia di file pdf per creare dataset CSV di discorsi parlamentari. Nel dataset sono presenti due colonne: una contiene il testo dei discorsi e l'altra contiene i nomi degli oratori che hanno pronunciato il discorso.




Il problema è il seguente. A volte l'OCR ha unito due discorsi insieme. In particolare, il nome dell'oratore B e il suo intervento sono contenuti nel testo del discorso dell'oratore A (nella colonna discorsi).




Ora, dato che il nome dell'oratore è sempre interamente in lettere maiuscole, esiste un metodo per risolvere questo problema in Python? Per esempio, c'è un modo per dire a Python che in tutti i casi in cui c'è una serie di parole interamente in maiuscolo nel testo di un discorso deve prendere quelle parole e metterle nelle colonne degli oratori e allo stesso tempo prendere le parole che seguono e inserirle nella rispettiva colonna dei discorsi, creando una nuova riga nel dataframe? Di seguito un'illustrazione del problema.




Situazione attuale:





| Speaker | Speech |

| ---------------------------| -------------------------------------------------------------|

| SPEAKER ALPHA | Lorem ipsum. SPEAKER BETA dolor sit amet |

| SPEAKER GAMMA | Nunc tincidunt tincidunt erat |







Ciò di cui ho bisogno




| Speaker | Speech |

| ----------------------------| ------------------------------------------|

| SPEAKER ALPHA | Lorem ipsum. |

|SPEAKER BETA | dolor sit amet |

| SPEAKER GAMMA | Nunc tincidunt tincidunt erat |











Grazie per l'aiuto!