Pycharm根据公司名称提取对应城市

这次要处理的是一份公司个体为单位的excel表格，其中公司包含“…公司XX支公司”、“…公司XX分公司”、““…公司XX营销部”等字样，其中XX为城市或者省份，目标是从【公司】列中提取对应城市。

前言

想要根据【公司】列提取城市列，主要有两种思路：
① 匹配
② 切分
由于【公司】内字段的样式并不统一，因此放弃②切分的方式，选用①匹配。

1 生成包含所有城市的正则表达式

这里用到的技术是【将excel列进行读取并生成正则表达式】。
这里有一份excel1，其中包含了一列【城市】，用python生成正则表达式。

# 读取 Excel 文件
df = pd.read_excel('D:/桌面/excel1.xlsx', sheet_name=1) # 读取excel1的sheet2

# 提取 "城市" 列的数值，并去除空值
city_list = df['城市'].dropna().tolist()  # dropna删除包含缺失值（NaN）的行，tolist将其转换为Python列表

# 格式化城市名称列表
formatted_city_list = [city.strip() for city in city_list]  # strip() 方法用于去除字符串两端的空格或特定字符

# 打印城市列表
print(formatted_city_list)  # 这里就能生成所有的城市名称

运行python，得到包含所有城市的正则表达式，结果如下图（未完全显示）。

2 匹配城市

这里用到的技术是【用正则表达式匹配城市】。
复制上文的print结果，用于接下来的代码，要进行匹配的内容在excel2中。

import pandas as pd
import re

df = pd.read_excel('D:/桌面/excel2.xlsx', sheet_name=1)
 city_list = ['城市A','城市B',......]
 
 # 构造正则表达式模式
pattern = '(' + '|'.join(city_list) + ')'

# 使用字符串匹配找到城市并生成新的 city 列
df['city'] = df['公司'].str.extract(pattern, expand=False)
# 保存修改后的Excel文件
df.to_excel('D:/桌面/excel3.xlsx', index=False)

3 将未匹配出的行筛出并重新提取

3.1 检查未被筛选原因

检查excel3，将【城市】列选中，点击excel中筛选指令，选中空白区并检查分析。

并根据选取内容逐行检查，发现未匹配得出城市的原因主要有两个：
①【公司】内容为省份分公司，如“公司河北分公司‘，因此原先的城市文本无法匹配。
②【公司】列未包含任何省份或城市信息，代表总公司。

解决方案：
①问题的解决方案是：生成省份正则表达式，并重新匹配，并将省份对应该省省会提取出城市。
②问题的解决方案是：查找总公司的经营地址，获取城市信息。

3.2 选中要处理内容并处理省份信息

3.1已经将【城市】中空白内容选中，接下来是处理这部分内容。
首先，点击“查找——定位——可见单元格”进行复制粘贴到sheet2，得到所有未提取出城市的列表。

在此基础上，用python对数据进行省份匹配，并对应各自的省会城市。

import pandas as pd
import re
df = pd.read_excel('D:/桌面/excel3.xlsx', sheet_name=1)

province_list = ['安徽', '澳门', '北京', '重庆', '福建', '甘肃', '广东', '广西', '贵州', '海南', '河北', '河南',
                  '黑龙江', '湖北', '湖南', '吉林', '江苏', '江西', '辽宁', '内蒙古', '宁夏', '青海', '山东',
                  '山西', '陕西', '上海', '四川', '台湾', '天津', '新疆', '西藏', '香港', '云南', '浙江']
# 正则表达式，生成province列
pattern = '(' + '|'.join(province_list) + ')'
df['province'] = df['公司'].str.extract(pattern, expand=False)
# 生成省份-省会词典，匹配城市
capital_cities = {
    "安徽": "合肥",
    "澳门": "澳门",
    "北京": "北京",
    "重庆": "重庆",
    "福建": "福州",
    "甘肃": "兰州",
    "广东": "广州",
    "广西": "南宁",
    "贵州": "贵阳",
    "海南": "海口",
    "河北": "石家庄",
    "河南": "郑州",
    "黑龙江": "哈尔滨",
    "湖北": "武汉",
    "湖南": "长沙",
    "吉林": "长春",
    "江苏": "南京",
    "江西": "南昌",
    "辽宁": "沈阳",
    "内蒙古": "呼和浩特",
    "宁夏": "银川",
    "青海": "西宁",
    "山东": "济南",
    "山西": "太原",
    "陕西": "西安",
    "上海": "上海",
    "四川": "成都",
    "台湾": "台北",
    "天津": "天津",
    "新疆": "乌鲁木齐",
    "西藏": "拉萨",
    "香港": "香港",
    "云南": "昆明",
    "浙江": "杭州"
}
# 通过匹配"province"列的值，生成"city"列
df["city"] = df["province"].map(capital_cities)
# 保存修改后的Excel文件
df.to_excel('D:/桌面/excel4', index=False)

3.3处理剩余未提取信息

继续检查excel中剩余的【city】列无信息的文本。