简介
一个用于提取简体中文字符串中省，市和区并能够进行映射，检验和简单绘图的python模块。
举个例子：
["徐汇区虹漕路461号58号楼5楼", "泉州市洛江区万安塘西工业区"]
↓ 转换
|省 |市 |区 |地址 |
|上海市|上海市|徐汇区|虹漕路461号58号楼5楼 |
|福建省|泉州市|洛江区|万安塘西工业区 |
注：“地址”列代表去除了省市区之后的具体地址
安装说明
代码目前仅仅支持python3
pip install cpca
注:cpca是chinese province city area的缩写
常见安装错误：
有的朋友在我的博客中反映他们在使用的时候会报如下错误：
ModuleNotFoundError: No module named 'jieba'
可能是因为某种原因，依赖未能成功的安装上去，这个时候则需要手动使用pip install jieba命令进行安装。
如果觉得本模块对你有用的话，施舍个star，谢谢。
中国三级行政区划分（参考自百度百科）
| 行政区级别 | |
|---|---|
| 一级行政区（省级行政区） | 34个（23个省、5个自治区、4个直辖市、2个特别行政区） |
| 二级行政区（地级行政区） | 334个（294个地级市、7个地区、30个自治州、3个盟） |
| 三级行政区（县级行政区） | 2876个（987个市辖区、363个县级市、1355个县、117自治县、49个旗、3个自治旗、1个特区、1个林区） |
特点
- 基于jieba分词进行匹配，同时加入了一些额外的校验匹配逻辑
- 因为jieba分词本身有时候会分错，所以引入了全文匹配的模式，这种模式下能够提高准确率，但会导致性能降低，关于如何开启这个模式见下面的使用文档或者 issue #11
- 如果地址数据比较脏的，不能指望依靠这个模块达到100%的准确，本模块只能保证尽可能地提取信息，如果想要达到100%准确率的话，最好在匹配完后再人工核验一下
- 自带完整的省，市，区三级地名及其经纬度的数据
- 支持自定义省，市，区映射
- 输出的是基于pandas的DataFrame类型的表结构，易于理解和使用
- 封装了简单的绘图功能，可以很方便地进行简单的数据可视化
- MIT 授权协议
Get Started
分词模式：
本模块中最主要的方法是cpca.transform，该方法可以输入任意的可迭代类型（如list，pandas的Series类型等），然后将其转换为一个DataFrame，下面演示一个最为简单的使用方法：
location_str = ["徐汇区虹漕路461号58号楼5楼", "泉州市洛江区万安塘西工业区", "朝阳区北苑华贸城"] from cpca import * df = transform(location_str) df
输出的结果为：
区 市 省 地址
0 徐汇区 上海市 上海市 虹漕路461号58号楼5楼
1 洛江区 泉州市 福建省 万安塘西工业区
2 朝阳区 北京市 北京市 北苑华贸城
注：程序输出的df是一个Pandas的DataFrame类型变量，DataFrame可以非常轻易地转化为csv或者excel文件，如果你对DataFrame不熟悉的话，可以参考Pandas的官方文档：http://pandas.pydata.org/pandas-docs/version/0.20/dsintro.html#dataframe
，或者往下翻到"示例与测试用例"大标题，那里我也展示了DataFrame的拼接与转换成csv文件的操作。
默认情况下transform方法的cut参数为True，即采用分词匹配的方式，这种方式速度比较快，但是准确率可能会比较低，如果追求准确率而不追求速度的话，建议将cut设为False（全文模式），具体见下一小节。
尝试着对代码稍加修改（其实就是将transform方法的umap参数置为空字典）：
location_str = ["徐汇区虹漕路461号58号楼5楼", "泉州市洛江区万安塘西工业区", "朝阳区北苑华贸城"] from cpca import * df = transform(location_str, umap={}) df
会发现输出变为：
区 市 省 地址
0 徐汇区 上海市 上海市 虹漕路461号58号楼5楼
1 洛江区 泉州市 福建省 万安塘西工业区
2 朝阳区 北苑华贸城
发现这种情况的原因是中国其实不止一个“朝阳区”，除了北京市有一个“朝阳区”外，长春市也有一个“朝阳区”，这样的话，程序就不知道该把“朝阳区”映射到哪个市。之所以前一段程序能够成功地将“朝阳区”映射成“北京市”，是因为当你不传umap参数的时候，会默认传一个笔者推荐的字典，其内容如下（在cpca.py中）：
myumap = {'南关区': '长春市', '南山区': '深圳市', '宝山区': '上海市', '市辖区': '东莞市', '普陀区': '上海市', '朝阳区': '北京市', '河东区': '天津市', '白云区': '广州市', '西湖区': '杭州市', '铁西区': '沈阳市'}
你会发现，其中指定了将”朝阳区“映射到北京市，因为笔者在测试数据中发现，数据中的”朝阳区“基本上都是指北京市那个”朝阳区“（原因可能是北京市的”朝阳区“的经济以及知名度要远比长春市的那个”朝阳区“发达）。当然，默认的这个umap并没有囊括中国所有的重名区，因为有的时候，两个重名区在数据中都经常被提及，无法强制指定将某个区映射成固定的市，比如福州市的“鼓楼区”与南京市的“鼓楼区”，都是经常被提及的地名。
看看下面一个例子：
location_str = ["福建省鼓楼区软件大道89号"]
from cpca import * df = transform(location_str) df
输出结果为：
区 市 省 地址
0 鼓楼区 福建省 软件大道89号
可以看到，市没有被成功提取出来，并且还会产生一个警告信息：
WARNING:root:建议添加到umap中的区有：{'鼓楼区'},有多个市含有相同名称的区
当程序发现重名区并且不知道将其映射到哪一个市时，会将其加入警告信息，提示用户最好根据数据给它指定一个市进行映射。
当使用以下代码时就能成功地将“鼓楼区”映射到“福州市”：
location_str = ["福建省鼓楼区软件大道89号"]
from cpca import * df = transform(location_str, umap={"鼓楼区":"福州市"}) df
输出结果：
区 市 省 地址
0 鼓楼区 福州市 福建省 软件大道89号
好在中国只有在三级行政区存在重名问题，二级与一级行政区的名称都是唯一的。
有的时候为了方便concat，想要自定义输出表的index，可以选择使用transform函数的index参数(这个参数只要保证长度和data相同即可，可以是list或者pandas中相关的类型)，示例如下：
location_str = ["徐汇区虹漕路461号58号楼5楼", "泉州市洛江区万安塘西工业区", "朝阳区北苑华贸城"] from cpca import * df = transform(location_str, index=["2018年","2017年","2016年"]) df
输出结果：
区 市 省 地址
2018年 徐汇区 上海市 上海市 虹漕路461号58号楼5楼
2017年 洛江区 泉州市 福建省 万安塘西工业区
2016年 朝阳区 北京市 北京市 北苑华贸城
全文模式：
这个模式的出现是为解决issue #11 所提到的问题。
jieba分词并不能百分之百保证分词的正确性，在分词错误的情况下会造成奇怪的结果，比如下面：
location_str = ["浙江省杭州市下城区青云街40号3楼","广东省东莞市莞城区东莞大道海雅百货"] from cpca import * df = transform(location_str) df
输出的结果为：
区 市 省 地址
0 城区 东莞市 广东省 莞大道海雅百货自然堂专柜
1 城区 杭州市 浙江省 下青云街40号3楼
这种诡异的结果是因为jieba本身就将词给分错了，所以我们引入了全文模式，不进行分词，直接全文匹配，使用方法如下:
location_str = ["浙江省杭州市下城区青云街40号3楼","广东省东莞市莞城区东莞大道海雅百货"] from cpca import * df = transform(location_str, cut=False) df
结果如下：
区 市 省 地址
0 下城区 杭州市 浙江省 青云街40号3楼
1 莞城区 东莞市 广东省 大道海雅百货
这下就完全正确了，不过全文匹配模式会造成匹配效率低下，我默认会向前看8个字符(对应transform中的lookahead参数默认值为8)，这个是比较保守的，因为有的地名会比较长（比如“新疆维吾尔族自治区”），如果你的地址库中都是些短小的省市区名的话，可以选择将lookahead设置得小一点，比如：
location_str = ["浙江省杭州市下城区青云街40号3楼","广东省东莞市莞城区东莞大道海雅百货"] from cpca import * df = transform(location_str, cut=False, lookahead=3) df
输出结果和上面是一样的。
绘图：
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.
这个工具依赖folium，为了减小本模块的体积，所以并不会预装这个依赖，在使用之前请使用pip install folium .
代码如下：
from cpca_drawers import *
#df为上一段代码输出的df
draw_locations(df, "df.html")
这一段代码运行结束后会在运行代码的当前目录下生成一个df.html文件，用浏览器打开即可看到 绘制好的地图（如果某条数据'省'，'市'或'区'字段有缺，则会忽略该条数据不进行绘制），速度会比较慢，需要耐心等待，绘制的图像如下：
draw_locations函数还可以通过指定path参数来改变输出路径，示例代码如下:
from cpca_drawers import *
#在当前目录的父目录生成df.html
draw_locations(df, "df.html", path="../")
还有更多的绘图工具请参考文档的大标题为“示例与测试用例”的部分。
到这里就你就已经知道了本模块的基本使用了，接下来我会阐明更多细节。
数据接口
本模块自带全国省市区的映射关系及其经纬度，如果你只是想使用这个数据的话可以使用如下代码：
from chinese_province_city_area_mapper.infrastructure import SuperMap
#地区到市的映射数据库，是一个字典类型（key为区名，value为其所属的市名），注意其中包含重复的区名
SuperMap.area_city_mapper
#重复的区名列表，列表类型，如果区名在这个列表中，说明存在多个同名区，则area_city_mapper的映射是不准确的 SuperMap.rep_areas #市到省的映射数据库，字典类型（key为市的名称，value为省的名称） SuperMap.city_province_mapper #全国省市区的经纬度数据库，字典类型（key为"省,市,区",value为(维度,经度)） SuperMap.lat_lon_mapper #获取北京市朝阳区的经纬度 SuperMap.lat_lon_mapper.get("北京市,北京市,朝阳区") #获得一个地名的级别（即省，市或者区） SuperMap.getType("江苏省") #返回"province"，即常量SuperMap.PROVINCE SuperMap.getType("南京市") #返回"city"，即常量SuperMap.CITY SuperMap.getType("海淀区") #返回"area"，即常量SuperMap.AREA #省略"省"字也能够识别出来 SuperMap.getType("江苏")
关于匹配与映射的细节
为了保证匹配与映射的正确性，我做了很多细节上的处理，如果在使用本模块的过程中遇到困惑可以参考这里。
- 能够匹配到省或者市的缩写，比如将"北京市"缩写为"北京"，"江苏省"缩写为"江苏"，依旧能够匹配到并且能够自动补全为全称，示例代码如下：
#测试数据
location_strs = ["江苏省南京市鼓楼区256号", "江苏南京鼓楼区256号"] from cpca import * df = transform(location_strs) df
输出的结果为：
区 市 省 地址
0 鼓楼区 南京市 江苏省 256号
1 鼓楼区 南京市 江苏省 256号
- 能够自动检测字符串中匹配到的省，市和区是否是所属关系，如果不是所属关系的话，则会删去优先级较低的（注：如果匹配到的是缩写的话，即将"南京市"缩写为"南京"，则认为优先级较低），如果优先级一样的话，则删除地域范围较小的，示例代码如下：
#测试数据，一些故意错乱的地址描述
location_strs = ["静安区南京西路30号", "南京市静安区", "江苏省上海市", "上海市静安区南京西路"] from cpca import * df = transform(location_strs) df
输出结果如下：
区 市 省 地址
0 静安区 上海市 上海市 西路30号
1 南京市 江苏省
2 江苏省
3 静安区 上海市 上海市 西路
分析：第一个测试数据"静安区南京西路"会同时匹配到"静安区"和"南京"两个地域名称，但是静安区是属于上海的，和"南京"相矛盾，而且因为"南京"是"南京市"的缩写，因此优先级比较低，故放弃"南京"这个地域名称。
第二个测试数据匹配到"南京市"和"静安区"两个矛盾的地域名称，而且这两个名称都是全称，优先级相同，所以保留地域范围比较大的，即保留"南京市"而放弃"静安区"。第三个测试数据也是一样的道理。
第四个测试数据中有两个市的名称会被匹配到，一个是"上海市"，还有一个是"南京"，但是因为"上海市"在前面被匹配到了，所以"南京"就会被忽略。
注意：从上面的例子你会看到，对于这种地址字段在句子中间出现的情况，模块提取出的"地址"列会有些bug，这个目前暂时解决起来比较麻烦，如果地址数据中有大量这种数据的话，建议不要使用模块提取出的"地址"列
示例与测试用例
本仓库放了一份大约一万多条地址描述信息addr.csv，用于测试模块，测试代码如下：
测试基本功能：
#读取数据
import pandas as pd
origin = pd.read_csv("addr.csv") #转换 from cpca import * addr_df = transform(origin["原始地址"], myumap) #输出 processed = pd.concat([origin, addr_df], axis=1) processed.to_csv("processed.csv", index=False, encoding="utf-8")
注意以上代码运行结束后会打印一句warnning，这些warnning是因为程序无法确定某个区县属于哪个市（因为这些区县存在重名问题而且在umap中又没有指定它属于哪一个市）.
测试绘图函数1（绘制热力图）：
模块中绘制热力图的函数是基于folium编写的，为了减小模块体积，在安装模块时没有安装这些绘图库的依赖，如果需要使用这个函数的话，需要先使用pip install folium 安装folium
from cpca_drawers import *
#processed为上一段代码的processed
draw_locations(processed, "processed.html")
用浏览器打开"processed.html"文件，发现绘制的局部图像如下（在国内folium的地图显示速度比较慢，所以需要耐心等待地图显示）：
（注意：本模块在绘图时，只绘制那些可以精确地匹配到省市区的地址，对于省市区有一个或多个字段缺失的则会直接忽略）
测试绘图函数2（绘制echarts热力图）:
因为在国内folium的地图显示速度太慢了，所以添加了echarts的热力图绘图函数.
在使用本函数之前需要先用如下命令安装它的依赖（为了减少本模块的体积，所以这些依赖不会被自动安装）：
pip install pyecharts
pip install echarts-countries-pypkg
pip install pyecharts-snapshot
示例代码如下，仍然使用之前的测试数据生成的processed变量：
from cpca_drawers import *
echarts_draw(processed, "test.html")
该接口的更多参数及其含义如下：
def echarts_draw(locations, fileName, path="./", title="地域分布图" , subtitle="location distribute"): """ 生成地域分布的echarts热力图的html文件. :param locations: 样本的省市区, pandas的dataframe类型. :param fileName: 生成的html文件的文件名. :param path: 生成的html文件的路径. :param title: 图表的标题 :param subtitle: 图表的子标题 """
然后会在当前目录下生成一个test.html文件，用浏览器打开后即可看到图像：
测试绘图函数3(绘制分类信息图)：
在使用本函数之前需要安装的依赖同上一个绘图函数，如果你是跳过了前面的直接读到这里的话，务必向上翻看一下。
样本分类绘制函数，通过额外传入一个样本的分类信息，能够在地图上以不同的颜色画出属于不同分类的样本散点图，以下代码以“省”作为类别信息绘制分类散点图（可以看到，属于不同省的样本被以不同的颜色标记了出来，这里以“省”作为分类标准只是举个例子，实际应用中可以选取更加有实际意义的分类指标）：
from cpca_drawers import *
echarts_cate_draw(processed, processed["省"], "test2.html")
然后会在当前目录下生成一个test2.html文件，用浏览器打开后即可看到图像：
该接口更多的参数及其含义如下：
def echarts_cate_draw(locations, labels, fileName, path="./" , title="地域分布图", subtitle="location distribute", point_size=7): """ 依据分类生成地域分布的echarts散点图的html文件. :param locations: 样本的省市区, pandas的dataframe类型. :param labels: 长度必须和locations相等, 代表每个样本所属的分类. :param fileName: 生成的html文件的文件名. :param path: 生成的html文件的路径. :param title: 图表的标题 :param subtitle: 图表的子标题 :param point_size: 每个散点的大小,如果样本数较少可以考虑设置的大一些 """
END
如果大家在使用过程中发现一些匹配错误的地址，欢迎提issue来帮助我收集这些错误用例和改善算法，毕竟笔者手头数据有限，难以考虑到所有边界情况