这篇教程pandas数据处理清洗实现中文地址拆分案例写得很实用，希望能帮到您。
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)}%')
保存Excel文件，再次查看拆分情况。经过去重后的测试集拆分符合想要的结果。 运行未去重源数据集结果：
到此这篇关于pandas数据处理清洗实现中文地址拆分案例的文章就介绍到这了,更多相关pandas 中文地址拆分内容请搜索51zixue.net以前的文章或继续浏览下面的相关文章希望大家以后多多支持51zixue.net！
Python源码学习之PyObject和PyTypeObject
Python源码学习之PyType_Type和PyBaseObject_Type详解 |
