- 创作背景
- 思路分析 - 提取行政区划
- eg1：福建省莆田市城厢区
- eg2：新疆维吾尔自治区乌鲁木齐市
- eg3：青海省共和县
- 泛化
- 结尾
本菜鸡最近在数据分析时遇到这样一列数据，如图
我想进行的操作是：
- 提取其中 各行政区划及名称。eg: 江苏省，北京市 这种。详见本文。
- 像 pd.to_datetime() 后可以调用 time_series.dt.year 返回对应的 年序列 一样，我的 area_series 可以返回对应的 省，市，市辖区/县。详见文章。
- 注：本文将 市辖区 和 县 认为是 平级，便于数据提取，如有不妥请指正。
如果觉得我这篇文章写的好的话，能不能给我 点个赞 ，评论 一波。
如果要点个 关注 的话也不是不可以珞
首先，我们得提取字符串中的 行政区划，怎么提取呢？当然是用 re 了！
分析一下字符串（以 福建省莆田市城厢区 、 新疆维吾尔自治区乌鲁木齐市 和 青海省共和县 为例）。
这个好分析
- 省级行政区 是 福建省。
- 市级行政区 是 莆田市。
- 市辖区 是 城厢区。
那我们就可以这样写正则表达式
(S+省)(S+市)(S+区)
测试一下
可以看到，都提取出来了，但是，我们要的数据在一个 list 里的一个 tuple 元素中，不利于后期处理，所以我们修改一下。
修改后的正则表达式：
S+省|S+市|S+区
再看一下效果：
这时候我们要的数据就在一个 list 里了。
这个字符串中：
- 省级行政区 是 新疆维吾尔自治区。
- 市级行政区 是 乌鲁木齐市。
- 没有 县级行政区。
仿照上边的，我们可以这样写正则表达式：
S+自治区|S+市
看一下结果：
我们可以看出：
- 省级行政区 是 青海省。
- 没有 市级行政区。
- 县级行政区 是 共和县。
- 注：目测是 县级行政区，此处 仅供举例说明，如有更改请指出。
那我们就这样写正则表达式：
S+省|S+县
看一下结果：
从上述三个例子可以看出，我们可以使用 S+【行政区划】 即可提取到对应的 行政区划及其名称 。
但是有个问题，上述三个正则表达式 泛化能力不强，要不然怎么需要 三 个正则表达式而不是 一个 才能提取到我们想要的结果。
那我们现在就要写一个 泛化能力强 的正则表达式，能够匹配这个地点序列中所有的字符串。
分析可得，地名都是由 【省级行政区】【市级行政区】【市辖区 / 县级行政区】 组成。
其中：
- 省级行政区 包括 省，自治区。
- 市级行政区 包括 市，旗。
- 市辖区 / 县级行政区 包括 区，县。
我们可以这样写：
S+省|S+自治区|S+市|S+旗|S+区|S+县
可是这又带来两个问题：
- 各级行政区后缀名 名称不止我列举的这些，还可能有其他的，要新增到正则表达式的话有些麻烦。
- 提取出来的结果无法分辨出相应的行政区划。
怎么解决呢？
我的思路是：
- 创建一个 行政区划列表，固定包含 三 个元素。
- 每个元素是 list，包含 该等级行政区划的后缀名。
- 拼接正则表达式。
代码如下
divisions = {
'province': ['省', '自治区'],
'city': ['市'],
'county': ['区', '县', '旗']
}
# 正则表达式 'S+省|S+自治区|S+市|S+旗|S+区|S+县'
re.findall('|'.join(['|'.join(['S+' + char for char in chars]) for chars in divisions.values()]), '【要提取的字符串】')
测试一下：
- 福建省莆田市城厢区
- 新疆维吾尔自治区乌鲁木齐市
- 青海省共和县
看起来效果还不错，相对来说还是有 一定的泛化能力。
为了方便后边的数据处理，我们规定一下输出格式：
['【省】', '【市】', '【市辖区 / 县】']
代码如下：
def check_exist(area, names):
for name in names:
if name in area:
return area
else:
return ''
divisions = {
'province': ['省', '自治区'],
'city': ['市'],
'county': ['区', '县', '旗']
}
# 提取结果列表
result = re.findall('|'.join(['|'.join(['S+' + char for char in chars]) for chars in divisions.values()]), '【要提取的字符串】')
# 手动设置索引
count = 0
# 结果列表
result_list = []
# 遍历行政区划列表，保证结果列表长度与其相等
for key in divisions:
# 如果索引小于提取结果长度
if count != len(result):
# 查看是否属于 key 这个行政区划
test_exist = check_exist(result[count], divisions[key])
# 如果属于本行政区划，加入结果列表
result_list.append(test_exist)
if test_exist:
count += 1
else:
# 提取结果遍历完但行政区划列表还未遍历完，说明后边的行政区划都没有，就加入空字符
result_list.append('')
print(result_list)
测试一下：
成功完成任务！！！
结尾
有想要一起学习 python 的小伙伴可以 私信我 进群哦。
以上就是我要分享的内容，因为学识尚浅，会有不足，还请各位大佬指正。
有什么问题也可在评论区留言。
