pandas數(shù)據(jù)處理清洗實(shí)現(xiàn)中文地址拆分案例

更新時間：2021年06月16日 10:47:16 作者：Lu-順

因?yàn)楹罄m(xù)數(shù)據(jù)分析工作需要用到地理維度進(jìn)行分析，所以需要把login_place字段進(jìn)行拆分成：國家、省份、地區(qū)。感興趣的可以了解一下

一、案例場景

字段login_place，一共267725行記錄,隨機(jī)15條記錄如下：

后續(xù)數(shù)據(jù)分析工作需要用到地理維度進(jìn)行分析，所以需要把login_place字段進(jìn)行拆分成：國家、省份、地區(qū)。

二、初步方案

第三方中文分詞庫：jieba，可以對文本進(jìn)行拆分。使用參考資料：jieba庫的使用。
初步方案：

用jieba.cut()將文本拆分為單詞列表list_word;
分支判斷l(xiāng)ist_word長度，賦值國家、城市、地區(qū)。

代碼：（抽取1000條記錄，看一下我這臺機(jī)器的運(yùn)行時間）

%%time
# 地區(qū)拆分
for i in range(1000):
    list_word=[word for word in jieba.cut(df.iloc[i,0])]
    if len(list_word)==1:
        if '中國' in df.iloc[i,0]:
            df.loc[i,'國家']=df.iloc[i,0][0:2]
            df.loc[i,'省份']=df.iloc[i,0][2:]
        else:
            df.loc[i,'國家']=df.iloc[i,0]
    elif len(list_word)==2:
        df.loc[i,'國家']=list_word[0]
        df.loc[i,'省份']=list_word[1]
    else:
        df.loc[i,'國家']=list_word[0]
        df.loc[i,'省份']=list_word[1]
        df.loc[i,'地區(qū)']=list_word[2]
    if i%100==0:
        print(f'{round(i*100/(int(1000)),2)}%')

1000條用了1min 37秒。如果全部進(jìn)行數(shù)據(jù)解析等待時間應(yīng)該很久很久。有很多重復(fù)的記錄，這里先去重，再跑一次代碼。

去重之后，只有404不重復(fù)的記錄。

再跑一遍代碼，并且把結(jié)果保存到本地文件‘df_test.xlsx'。便于查看jieba第三方分詞庫對本次數(shù)據(jù)拆分是不是想要的結(jié)果。

國家：

‘國家'這一列，中國臺灣沒有拆分出來。

代碼試了一下，發(fā)現(xiàn)‘中國臺灣'確實(shí)拆分不了。證實(shí)了臺灣確實(shí)中國不可缺失的一部分。
省份：

‘省份'這一列拆分的更加糟糕。

總結(jié)：總數(shù)據(jù)集運(yùn)行時間長，切詞不準(zhǔn)確。需要優(yōu)化拆分方案！

三、優(yōu)化方案

在上面查看Excel文件時候發(fā)現(xiàn)‘login_place'字段的數(shù)據(jù)有以下特點(diǎn)：

整個數(shù)據(jù)集分類兩類：‘中國'和外國；
中國的省份大多是兩個字，除了‘黑龍江'和‘內(nèi)蒙古'；
外國的，只有國家記錄。

優(yōu)化方案：

對國家判斷，形成分支：中國和外國；
對于中國，再判斷省份是不是‘黑龍江'和‘內(nèi)蒙古'。
不是：可以直接切分[2:4]，提取省份。[4:]，提取地區(qū)；
是：[2:5]提取省份。[5:]提取地區(qū)

%%time
# 地區(qū)拆分
for i in range(df.shape[0]):
    if '中國' in df.iloc[i,0] :
        df.loc[i,'國家'] = '中國'
        if ('內(nèi)蒙古' in df.iloc[i,0]) or ('黑龍江' in df.iloc[i,0]):
#             print(df.iloc[i,0])
            df.loc[i,'省份'] = df.iloc[i,0][2:5]
            if len(df.iloc[i,0]) > 5:
                df.loc[i,'地區(qū)'] = df.iloc[i,0][5:]
        else:
            df.loc[i,'省份'] = df.iloc[i,0][2:4] 
            df.loc[i,'地區(qū)'] = df.iloc[i,0][4:]
    else:
        list_word = [word for word in jieba.cut(df.iloc[i,0])]
        if len(list_word) == 1:
            df.loc[i,'國家'] = df.iloc[i,0][0:2]
            df.loc[i,'省份'] = df.iloc[i,0][2:]
        else:
            df.loc[i,'國家'] = list_word[0]
            df.loc[i,'省份'] = list_word[1]
    if i%100==0:
        print(f'{round(i*100/(int(df.shape[0])),2)}%')