Python 神器！自动识别文字中的省市区并绘图
共 6515字，需浏览 14分钟
·
2022-06-25 09:18
在做NLP（自然语言处理）相关任务时，经常会遇到需要识别并提取省、城市、行政区的需求。虽然我们自己通过关键词表一个个查找也能实现提取目的，但是需要先搜集省市区关键词表，相对而言比较繁琐。
今天给大家介绍一个模块，你只需要把字符串传递给这个模块，他就能给你返回这个字符串内的省、市、区关键词，并能给你在图片上标注起来，它就是 Cpca 模块。
1.准备
开始之前，你要确保Python和pip已经成功安装在电脑上，如果没有，可以访问这篇文章：超详细Python安装指南 进行安装。
(可选1) 如果你用Python的目的是数据分析，可以直接安装Anaconda：Python数据分析与挖掘好帮手—Anaconda，它内置了Python和pip.
(可选2) 此外，推荐大家用VSCode编辑器，它有许多的优点：Python 编程的最好搭档—VSCode 详细指南。
请选择以下任一种方式输入命令安装依赖：
1. Windows 环境 打开 Cmd (开始-运行-CMD)。
2. MacOS 环境 打开 Terminal (command+空格输入Terminal)。
3. 如果你用的是 VSCode编辑器 或 Pycharm，可以直接使用界面下方的Terminal.
pip install cpca注意，目前 cpca 模块仅支持Python3及以上版本。
在 windows 上可能会出现类似如下问题：
Building wheel for pyahocorasick (setup.py) ... error先阅读原文去下载 Microsoft Visual C++ Build Tools 安装VC++构建工具，再重新 pip install cpca，即可解决问题。
2.基本使用
通过两行代码就能实现最基本的省市区提取：
# 公众号: Python 实用宝典
# 2022/06/23
import cpca
location_str = [
"广东省深圳市福田区巴丁街深南中路1025号新城大厦1层",
"特斯拉上海超级工厂是特斯拉汽车首座美国本土以外的超级工厂，位于中华人民共和国上海市。",
"三星堆遗址位于中国四川省广汉市城西三星堆镇的鸭子河畔，属青铜时代文化遗址"
]
df = cpca.transform(location_str)
print(df)效果如下：
省 市 区 地址 adcode
0 广东省 深圳市 福田区 巴丁街深南中路1025号新城大厦1层 440304
1 上海市 None None 。310000
2 四川省 德阳市 广汉市 城西三星堆镇的鸭子河畔，属青铜时代文化遗址 510681注意第三条的广汉市，cpca 不仅识别到了语句中的县级市广汉市，还能自动匹配到其代管市的德阳市，不得不说非常强大。
如果你想获知程序是从字符串的那个位置提取出省市区名的，可以添加一个 pos_sensitive=True 参数:
# 公众号: Python 实用宝典
# 2022/06/23
import cpca
location_str = [
"广东省深圳市福田区巴丁街深南中路1025号新城大厦1层",
"特斯拉上海超级工厂是特斯拉汽车首座美国本土以外的超级工厂，位于中华人民共和国上海市。",
"三星堆遗址位于中国四川省广汉市城西三星堆镇的鸭子河畔，属青铜时代文化遗址"
]
df = cpca.transform(location_str, pos_sensitive=True)
print(df)效果如下：
(base) G:\push\20220623>python 1.py
省 市 区 地址 adcode 省_pos 市_pos 区_pos
0 广东省 深圳市 福田区 巴丁街深南中路1025号新城大厦1层 440304 0 3 6
1 上海市 None None 。310000 38 -1 -1
2 四川省 德阳市 广汉市 城西三星堆镇的鸭子河畔，属青铜时代文化遗址 510681 9 -1 12它标记出了识别到省、市、区的关键位置（index），当然如果是德阳市这种特殊的识别会被标记为-1.
3.高级使用
它还可以从大段文本中批量识别多个地区：
# 公众号: Python 实用宝典
# 2022/06/23
import cpca
long_text = "对一个城市的评价总会包含个人的感情。如果你喜欢一个城市，很有可能是喜欢彼时彼地的自己。"\
"在广州、香港读过书，工作过，在深圳买过房、短暂生活过，去北京出了几次差。"\
"想重点比较一下广州、深圳和香港，顺带说一下北京。总的来说，觉得广州舒适、"\
"香港精致、深圳年轻气氛好、北京大气又粗糙。答主目前选择了广州。"
df = cpca.transform_text_with_addrs(long_text, pos_sensitive=True)
print(df)效果如下：
(base) G:\push\20220623>python 1.py
省 市 区 地址 adcode 省_pos 市_pos 区_pos
0 广东省 广州市 None 440100 -1 44 -1
1 香港特别行政区 None None 810000 47 -1 -1
2 广东省 深圳市 None 440300 -1 58 -1
3 北京市 None None 110000 71 -1 -1
4 广东省 广州市 None 440100 -1 86 -1
5 广东省 深圳市 None 440300 -1 89 -1
6 香港特别行政区 None None 810000 92 -1 -1
7 北京市 None None 110000 100 -1 -1
8 广东省 广州市 None 440100 -1 110 -1
9 香港特别行政区 None None 810000 115 -1 -1
10 广东省 深圳市 None 440300 -1 120 -1
11 北京市 None None 110000 128 -1 -1
12 广东省 广州市 None 440100 -1 143 -1不仅如此，模块中还自带一些简单绘图工具，可以在地图上将上面输出的数据以热力图的形式画出来：
# 公众号: Python 实用宝典
# 2022/06/23
import cpca
from cpca import drawer
long_text = "对一个城市的评价总会包含个人的感情。如果你喜欢一个城市，很有可能是喜欢彼时彼地的自己。"\
"在广州、香港读过书，工作过，在深圳买过房、短暂生活过，去北京出了几次差。"\
"想重点比较一下广州、深圳和香港，顺带说一下北京。总的来说，觉得广州舒适、"\
"香港精致、深圳年轻气氛好、北京大气又粗糙。答主目前选择了广州。"
df = cpca.transform_text_with_addrs(long_text, pos_sensitive=True)
drawer.draw_locations(df[cpca._ADCODE], "df.html")运行的时候可能会报这个错：
(base) G:\push\20220623>python 1.py
Traceback (most recent call last):
File "1.py", line 12, in <module>
drawer.draw_locations(df[cpca._ADCODE], "df.html")
File "G:\Anaconda3\lib\site-packages\cpca\drawer.py", line 41, in draw_locations
import folium
ModuleNotFoundError: No module named 'folium'使用pip安装即可：
pip install folium然后重新运行代码，会在当前目录下生成 df.html, 双击打开，效果如下：
怎么用，是不是感觉非常方便？以后地点的识别用这个模块就完全够了。
还有更多的细节你可以访问这个项目的Github主页阅读，该项目的README完全中文编写，非常容易阅读：
https://github.com/DQinYuan/chinese_province_city_area_mapper
如果你无法访问GitHub，也可以在Python实用宝典公众号后台回复：cpca 下载完整项目。
我们的文章到此就结束啦，如果你喜欢今天的Python 实战教程，请持续关注Python实用宝典。
有任何问题，可以在公众号后台回复：加群，回答相应红字验证信息，进入互助群询问。
原创不易，希望你能在下面点个赞和在看支持我继续创作，谢谢！
点击下方阅读原文可获得更好的阅读体验
Python实用宝典 (pythondict.com)
不只是一个宝典
欢迎关注公众号：Python实用宝典