使用python提取中文地址描述中的省市区信息
<div class="show-content-free">
<h1><a name="t0"></a>引言</h1>
在一次建模比赛中，我手头里的原始数据中有一个“地址描述”地段，如下：
| 地址描述 |
|---|
| 广州国际采购中心1401 |
| 上海市长宁区金钟路658弄5号楼5楼 |
| 徐汇区虹漕路461号58号楼5楼 |
| 济南市历下区和平路34号轻骑院内东二层山东朵拉 |
这样的地址描述字段过于随意，很难使用，但是看这些字符串的样子似乎又可以提取出其所在的省、市和区，即使只能够提取出区或者市，如果我们有一个省、市和区的归属数据库的话，应该也能够将剩下的信息映射出来，如果自己写的话肯定很麻烦，还要去网上找数据库，于是我做了一个可以复用的python模块，一条命令就可以将上面的“地址描述”字段转换成如下的样子：
| 省 | 市 | 区 |
|---|---|---|
| 广东省 | 广州市 | |
| 上海市 | 上海市 | 长宁区 |
| 上海市 | 上海市 | 徐汇区 |
| 山东省 | 济南市 | 历下区 |
模块安装
目前支持python3
pip install cpca
Github地址
更详细的模块介绍见Github上的README
https://github.com/DQinYuan/chinese_province_city_area_mapper
如果觉得这个模块对你有帮助的话，请给个star啊
基本功能
分词模式
本模块中最主要的方法是cpca.transform，该方法可以输入任意的可迭代类型（如list，pandas的Series类型等），然后将其转换为一个DataFrame，下面演示一个最为简单的使用方法：
-
location_str = [
"徐汇区虹漕路461号58号楼5楼",
"泉州市洛江区万安塘西工业区",
"朝阳区北苑华贸城"]
-
from cpca
import *
-
df = transform(location_str)
-
df
输出的结果为：
注：程序输出的df是一个Pandas的DataFrame类型变量，DataFrame可以非常轻易地转化为csv或者excel文件，如果你对DataFrame不熟悉的话，可以参考Pandas的官方文档：http://pandas.pydata.org/pandas-docs/version/0.20/dsintro.html#dataframe
，或者往下翻到"示例与测试用例"大标题，那里我也展示了DataFrame的拼接与转换成csv文件的操作。
默认情况下transform方法的cut参数为True，即采用分词匹配的方式，这种方式速度比较快，但是准确率可能会比较低，如果追求准确率而不追求速度的话，建议将cut设为False（全文模式），具体见下一小节。
尝试着对代码稍加修改（其实就是将transform方法的umap参数置为空字典）：
-
location_str = [
"徐汇区虹漕路461号58号楼5楼",
"泉州市洛江区万安塘西工业区",
"朝阳区北苑华贸城"]
-
from cpca
import *
-
df = transform(location_str, umap={})
-
df
会发现输出变为：
发现这种情况的原因是中国其实不止一个“朝阳区”，除了北京市有一个“朝阳区”外，长春市也有一个“朝阳区”，这样的话，程序就不知道该把“朝阳区”映射到哪个市。之所以前一段程序能够成功地将“朝阳区”映射成“北京市”，是因为当你不传umap参数的时候，会默认传一个笔者推荐的字典，其内容如下（在cpca.py中）：
-
myumap = {
'南关区':
'长春市',
-
'南山区':
'深圳市',
-
'宝山区':
'上海市',
-
'市辖区':
'东莞市',
-
'普陀区':
'上海市',
-
'朝阳区':
'北京市',
-
'河东区':
'天津市',
-
'白云区':
'广州市',
-
'西湖区':
'杭州市',
-
'铁西区':
'沈阳市'}
你会发现，其中指定了将”朝阳区“映射到北京市，因为笔者在测试数据中发现，数据中的”朝阳区“基本上都是指北京市那个”朝阳区“（原因可能是北京市的”朝阳区“的经济以及知名度要远比长春市的那个”朝阳区“发达）。当然，默认的这个umap并没有囊括中国所有的重名区，因为有的时候，两个重名区在数据中都经常被提及，无法强制指定将某个区映射成固定的市，比如福州市的“鼓楼区”与南京市的“鼓楼区”，都是经常被提及的地名。
看看下面一个例子：
-
location_str = [
"福建省鼓楼区软件大道89号"]
-
from cpca
import *
-
df = transform(location_str)
-
df
输出结果为：
可以看到，市没有被成功提取出来，并且还会产生一个警告信息：
WARNING:root:建议添加到umap中的区有：{'鼓楼区'},有多个市含有相同名称的区
当程序发现重名区并且不知道将其映射到哪一个市时，会将其加入警告信息，提示用户最好根据数据给它指定一个市进行映射。
当使用以下代码时就能成功地将“鼓楼区”映射到“福州市”：
-
location_str = [
"福建省鼓楼区软件大道89号"]
-
from cpca
import *
-
df = transform(location_str, umap={
"鼓楼区":
"福州市"})
-
df
输出结果：
好在中国只有在三级行政区存在重名问题，二级与一级行政区的名称都是唯一的。
有的时候为了方便concat，想要自定义输出表的index，可以选择使用transform函数的index参数(这个参数只要保证长度和data相同即可，可以是list或者pandas中相关的类型)，示例如下：
-
location_str = [
"徐汇区虹漕路461号58号楼5楼",
"泉州市洛江区万安塘西工业区",
"朝阳区北苑华贸城"]
-
from cpca
import *
-
df = transform(location_str, index=[
"2018年",
"2017年",
"2016年"])
-
df
输出结果：
全文模式
jieba分词并不能百分之百保证分词的正确性，在分词错误的情况下会造成奇怪的结果，比如下面：
-
location_str = [
"浙江省杭州市下城区青云街40号3楼",
"广东省东莞市莞城区东莞大道海雅百货"]
-
from cpca
import *
-
df = transform(location_str)
-
df
输出的结果为：
这种诡异的结果是因为jieba本身就将词给分错了，所以我们引入了全文模式，不进行分词，直接全文匹配，使用方法如下:
-
location_str = [
"浙江省杭州市下城区青云街40号3楼",
"广东省东莞市莞城区东莞大道海雅百货"]
-
from cpca
import *
-
df = transform(location_str, cut=
False)
-
df
结果如下：
这下就完全正确了，不过全文匹配模式会造成匹配效率低下，我默认会向前看8个字符(对应transform中的lookahead参数默认值为8)，这个是比较保守的，因为有的地名会比较长（比如“新疆维吾尔自治区”），如果你的地址库中都是些短小的省市区名的话，可以选择将lookahead设置得小一点，比如：
-
location_str = [
"浙江省杭州市下城区青云街40号3楼",
"广东省东莞市莞城区东莞大道海雅百货"]
-
from cpca
import *
-
df = transform(location_str, cut=
False, lookahead=
3)
-
df
输出结果和之前是一样的。
地图绘制
模块中还自带一些简单绘图工具，可以在地图上将上面输出的数据以热力图的形式画出来.
这个工具依赖folium，为了减小本模块的体积，所以并不会预装这个依赖，在使用之前请使用pip install folium .
代码如下：
-
from cpca_drawers
import *
-
#df为上一段代码输出的df
-
draw_locations(df,
"df.html")
这一段代码运行结束后会在运行代码的当前目录下生成一个df.html文件，用浏览器打开即可看到
绘制好的地图（如果某条数据'省'，'市'或'区'字段有缺，则会忽略该条数据不进行绘制），速度会比较慢，需要耐心等待，绘制的图像如下：
还有更多的绘图工具请参考Github上的README中大标题为“示例与测试用例”的部分。
</div>
</div>
</div>
</article>
扫一扫
3836
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
