提取中文地址描述中的省市区信息

实例描述

在一些商用数据中，存在诸多的可用信息供我们分析数据，仅仅地址信息一栏就有很多可用价值，例如按省、市、地区统计分析区域消费水平、产品销量、消费人次等等，但是可能会遇到这样的问题： Excel 表中地址信息中的省市区在一个单元格中，如图 1 所示。 这种情况如何批量提取地址描述中的省市区信息，从而实现按省、市或区统计数据呢？

图 1   收货地址数据

本实例将提取地址中的省份，并按省份统计销售金额，效果如图 2 所示。

图 2   提取地址中的省份

技术要点

Pandas 的 DataFrame 对象中的 str.split() 内置方法可以实现切分字符串，从而对地址进行切分，我们观察 Excel 表中的地址信息是以空格分隔的，这样就可以使用空格将每个元素分开后存入列表中。

l   切分字符串，分开后存入一列里

series=data[ ' 列名 ' ].str.split( ' ' )

把 DataFrame 列中字符串以空格 ' ' 分隔开，每个元素分开后存入一列里。

l   切分字符串，分开后存入多列里

series=data[ ' 列名 ' ].str.split( ',' , expand = True )

参数 expand ，这个参数取 True 时，会把切分出来的内容分成多列。

如果只要第一列： series=data[' 列名 '].str.split(' ',expand=True)[0]

代码实现

程序代码如下：

import  pandas  as  pd

aa = './data/TB2018.xlsx'

df = pd.DataFrame(pd.read_excel(aa))

series=df[ ' 收货地址 ' ].str.split( ' ' , expand = True )

df[ ' 省 ' ]=series[0]

#df[' 省 '],df[' 市 '],df[' 区 ']=series[0],series[1],series[2]

df1=df.groupby([ " 省 " ])[ " 买家实际支付金额 " ].sum()

print (df1)

df.to_excel( 'test.xlsx' )