pandas数据处理清洗实现中文地址拆分案例-巨人网络通讯

pandas数据处理清洗实现中文地址拆分案例

一、案例场景

字段login_place，一共267725行记录,随机15条记录如下：

后续数据分析工作需要用到地理维度进行分析，所以需要把login_place字段进行拆分成：国家、省份、地区。

二、初步方案

第三方中文分词库：jieba，可以对文本进行拆分。使用参考资料：jieba库的使用。
初步方案：

用jieba.cut()将文本拆分为单词列表list_word;
分支判断list_word长度，赋值国家、城市、地区。

代码：（抽取1000条记录，看一下我这台机器的运行时间）

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

1000条用了1min 37秒。如果全部进行数据解析等待时间应该很久很久。有很多重复的记录，这里先去重，再跑一次代码。

去重之后，只有404不重复的记录。

再跑一遍代码，并且把结果保存到本地文件‘df_test.xlsx'。便于查看jieba第三方分词库对本次数据拆分是不是想要的结果。

国家：

‘国家'这一列，中国台湾没有拆分出来。

代码试了一下，发现‘中国台湾'确实拆分不了。证实了台湾确实中国不可缺失的一部分。
省份：

‘省份'这一列拆分的更加糟糕。

总结：总数据集运行时间长，切词不准确。需要优化拆分方案！

三、优化方案

在上面查看Excel文件时候发现‘login_place'字段的数据有以下特点：

整个数据集分类两类：‘中国'和外国；
中国的省份大多是两个字，除了‘黑龙江'和‘内蒙古'；
外国的，只有国家记录。

优化方案：

对国家判断，形成分支：中国和外国；
对于中国，再判断省份是不是‘黑龙江'和‘内蒙古'。
不是：可以直接切分[2:4]，提取省份。[4:]，提取地区；
是：[2:5]提取省份。[5:]提取地区

%%time
# 地区拆分
for i in range(df.shape[0]):
    if '中国' in df.iloc[i,0] :
        df.loc[i,'国家'] = '中国'
        if ('内蒙古' in df.iloc[i,0]) or ('黑龙江' 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,'地区'] = df.iloc[i,0][5:]
        else:
            df.loc[i,'省份'] = df.iloc[i,0][2:4] 
            df.loc[i,'地区'] = 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,'国家'] = df.iloc[i,0][0:2]
            df.loc[i,'省份'] = df.iloc[i,0][2:]
        else:
            df.loc[i,'国家'] = 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)}%')