pandas數據處理清洗實現中文地址拆分案例 python 程式碼

目錄

• 一、案例場景
• 二、初步方案
• 三、優化方案

一、案例場景

字段login_place，一共267725行記錄,隨機15條記錄如下：

  後續數據分析工作需要用到地理維度進行分析，所以需要把login_place字段進行拆分成：國傢、省份、地區。

二、初步方案

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

1. 用jieba.cut()將文本拆分為單詞列表list_word;
2. 分支判斷list_word長度，賦值國傢、城市、地區。

程式碼：（抽取1000條記錄，看一下我這臺機器的運行時間）

%%time
# 地區拆分
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,'國傢']=df.iloc[i,0][0:2]
            df.loc[i,'省份']=df.iloc[i,0][2:]
        else:
            df.loc[i,'國傢']=df.iloc[i,0]
    elif len(list_word)==2:
        df.loc[i,'國傢']=list_word[0]
        df.loc[i,'省份']=list_word[1]
    else:
        df.loc[i,'國傢']=list_word[0]
        df.loc[i,'省份']=list_word[1]
        df.loc[i,'地區']=list_word[2]
    if i%100==0:
        print(f'{round(i*100/(int(1000)),2)}%')

  1000條用瞭1min 37秒。如果全部進行數據解析等待時間應該很久很久。有很多重復的記錄，這裡先去重，再跑一次程式碼。

  去重之後，隻有404不重復的記錄。

  再跑一遍程式碼，並且把結果保存到本地档案‘df_test.xlsx’。便於查看jieba第三方分詞庫對本次數據拆分是不是想要的結果。

國傢：

‘國傢’這一列，中國臺灣沒有拆分出來。

程式碼試瞭一下，發現‘中國臺灣’確實拆分不瞭。證實瞭臺灣確實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：總數據集運行時間長，切詞不準確。需要優化拆分方案！

三、優化方案

  在上面查看Excel档案時候發現‘login_place’字段的數據有以下特點：

• 整個數據集分類兩類：‘中國’和外國；
• 中國的省份大多是兩個字，除瞭‘黑龍江’和‘內蒙古’；
• 外國的，隻有國傢記錄。

優化方案：

• 對國傢判斷，形成分支：中國和外國；
• 對於中國，再判斷省份是不是‘黑龍江’和‘內蒙古’。
• 不是：可以直接切分[2:4]，提取省份。[4:]，提取地區；
• 是：[2:5]提取省份。[5:]提取地區

%%time
# 地區拆分
for i in range(df.shape[0]):
    if '中國' in df.iloc[i,0] :
        df.loc[i,'國傢'] = '中國'
        if ('內蒙古' 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'] = df.iloc[i,0][5:]
        else:
            df.loc[i,'省份'] = df.iloc[i,0][2:4] 
            df.loc[i,'地區'] = 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,'國傢'] = df.iloc[i,0][0:2]
            df.loc[i,'省份'] = df.iloc[i,0][2:]
        else:
            df.loc[i,'國傢'] = 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)}%')

 保存Excel档案，再次查看拆分情況。經過去重後的測試集拆分符合想要的結果。

 運行未去重源數據集結果：

到此這篇關於pandas數據處理清洗實現中文地址拆分案例的文章就介紹到這瞭,更多相關pandas 中文地址拆分內容請搜索以前的文章或繼續瀏覽下面的相關文章希望大傢以後多多支援！