python从地址提取省市区实例_一个用于提取简体中文字符串中省，市和区并能够进行映射，检验和简单绘图的python模块...

简介

一个用于提取简体中文字符串中省，市和区并能够进行映射，检验和简单绘图的python模块。

举个例子：

["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"]

↓ 转换

|省 |市 |区 |地址 |

|上海市|上海市|徐汇区|虹漕路461号58号楼5楼 |

|福建省|泉州市|洛江区|万安塘西工业区 |

注：“地址”列代表去除了省市区之后的具体地址

安装说明

代码目前仅仅支持python3

pip install cpca

注:cpca是chinese province city area的缩写

常见安装错误：

​ 有的朋友在我的博客中反映他们在使用的时候会报如下错误：

ModuleNotFoundError: No module named 'jieba'

​ 可能是因为某种原因，依赖未能成功的安装上去，这个时候则需要手动使用pip install jieba命令进行安装。

如果觉得本模块对你有用的话，施舍个star，谢谢。

中国三级行政区划分(参考自百度百科)

行政区级别

一级行政区(省级行政区)

34个(23个省、5个自治区、4个直辖市、2个特别行政区)

二级行政区(地级行政区)

334个(294个地级市、7个地区、30个自治州、3个盟)

三级行政区(县级行政区)

2876个(987个市辖区、363个县级市、1355个县、117自治县、49个旗、3个自治旗、1个特区、1个林区)

特点

基于jieba分词进行匹配，同时加入了一些额外的校验匹配逻辑

因为jieba分词本身有时候会分错，所以引入了全文匹配的模式，这种模式下能够提高准确率，但会导致性能降低，关于如何开启这个模式见下面的使用文档或者 issue #11

如果地址数据比较脏的，不能指望依靠这个模块达到100%的准确，本模块只能保证尽可能地提取信息，如果想要达到100%准确率的话，最好在匹配完后再人工核验一下

自带完整的省，市，区三级地名及其经纬度的数据

支持自定义省，市，区映射

输出的是基于pandas的DataFrame类型的表结构，易于理解和使用

封装了简单的绘图功能，可以很方便地进行简单的数据可视化

MIT 授权协议

Get Started

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：

区 市 省 地址

0 徐汇区 上海市 上海市 虹漕路461号58号楼5楼

1 洛江区 泉州市 福建省 万安塘西工业区

2 朝阳区 北京市 北京市 北苑华贸城

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={}