addressparser
中文地址提取工具，支持中国三级区划地址（省、市、区）提取和级联映射，支持地址目的地热力图绘制。适配python2和python3。
Feature
地址提取
["徐汇区虹漕路461号58号楼5楼", "福建泉州市洛江区万安塘西工业区"]
↓ 转换
|省 |市 |区 |地名 |
|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：“地名”列代表去除了省市区之后的具体地名
数据集：中国行政区划地名
数据源：爬取自国家统计局，中华人民共和国民政局全国行政区划查询平台
数据文件存储在：addressparser/resources/pca.csv，数据为2021年统计用区划代码和城乡划分代码（截止时间：2021-10-31，发布时间：2021-12-30）
Demo
http://42.193.145.218/product/address_extraction/
Install
pip install addressparser
or
git clone https://github.com/shibing624/addressparser.git
cd addressparser
python3 setup.py install
Usage
- 省市区提取
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"]
import addressparser
df = addressparser.transform(location_str)
print(df)output:
省 市 区 地名
0 上海市 上海市 徐汇区 虹漕路461号58号楼5楼
1 福建省 泉州市 洛江区 万安塘西工业区
2 北京市 北京市 朝阳区 北苑华贸城
程序的此处输入
location_str可以是任意的可迭代类型，如list，tuple，set，pandas的Series类型等;
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，Pandas的官方文档：http://pandas.pydata.org/pandas-docs/version/0.20/dsintro.html#dataframe
- 带位置索引的省市县提取
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"]
import addressparser
df = addressparser.transform(location_str, pos_sensitive=True)
print(df)output:
省 市 区 地名 省_pos 市_pos 区_pos
0 上海市 上海市 徐汇区 虹漕路461号58号楼5楼 -1 -1 0
1 福建省 泉州市 洛江区 万安塘西工业区 -1 0 3
2 北京市 北京市 朝阳区 北苑华贸城 -1 -1 0
- 切词模式的省市区提取
默认采用全文匹配模式，不进行分词，直接全文匹配，这样速度慢，准确率高。
location_str = ["浙江省杭州市下城区青云街40号3楼"]
import addressparser
df = addressparser.transform(location_str)
print(df)output:
省 市 区 地名
0 浙江省 杭州市 下城区 青云街40号3楼
可以先通过jieba分词，之后做省市区提取及映射，所以我们引入了切词模式，速度很快，使用方法如下:
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"]
import addressparser
df = addressparser.transform(location_str, cut=True)
print(df)output:
省 市 区 地名
0 上海市 上海市 徐汇区 虹漕路461号58号楼5楼
1 福建省 泉州市 洛江区 万安塘西工业区
2 北京市 北京市 朝阳区 北苑华贸城
但可能会出错，如下所示，这种错误的结果是因为jieba本身就将词给分错了：
location_str = ["浙江省杭州市下城区青云街40号3楼"]
import addressparser
df = addressparser.transform(location_str, cut=True)
print(df)output:
省 市 区 地名
0 浙江省 杭州市 城区 下城区青云街40号3楼
默认情况下transform方法的cut参数为False，即采用全文匹配的方式，这种方式准确率高，但是速度可能会有慢一点； 如果追求速度而不追求准确率的话，建议将cut设为True，使用切词模式。
- 地址经纬度、省市县级联关系查询
## 查询经纬度信息
from addressparser import latlng
latlng[('北京市','北京市','朝阳区')] #输出('39.95895316640668', '116.52169489108084')
## 查询含有"鼓楼区"的全部地址
from addressparser import area_map
area_map.get_relational_addrs('鼓楼区') #[('江苏省', '南京市', '鼓楼区'), ('江苏省', '徐州市', '鼓楼区'), ('福建省', '福州市', '鼓楼区'), ('河南省', '开封市', '鼓楼区')]
#### 注: city_map可以用来查询含有某个市的全部地址, province_map可以用来查询含有某个省的全部地址
## 查询含有"江苏省", "鼓楼区"的全部地址
from addressparser import province_area_map
province_area_map.get_relational_addrs(('江苏省', '鼓楼区')) # [('江苏省', '南京市', '鼓楼区'), ('江苏省', '徐州市', '鼓楼区')]- 绘制echarts热力图
使用echarts的热力图绘图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==0.5.11
pip install echarts-countries-pypkg
pip install pyecharts-snapshot
使用本仓库提供的一万多条地址数据tests/addr.csv测试。
#读取数据
import pandas as pd
origin = pd.read_csv("tests/addr.csv")
#转换
import addressparser
addr_df = addressparser.transform(origin["原始地址"])
#输出
processed = pd.concat([origin, addr_df], axis=1)
processed.to_csv("processed.csv", index=False, encoding="utf-8")
from addressparser import drawer
drawer.echarts_draw(processed, "echarts.html")output:
1) processed.csv：1万多地址的省市县提取结果
2）echarts.html：echarts热力图
浏览器打开echarts.html后：
- 绘制分类信息图
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）：
示例draw_demo.py，接上面示例代码：
from addressparser import drawer
drawer.echarts_cate_draw(processed, processed["省"], "echarts_cate.html")浏览器打开输出的echarts_cate.html后：
Command line usage
- 命令行模式
支持批量提取地址的省市区信息：
python3 -m addressparser address_input.csv -o out.csv
usage: python3 -m addressparser [-h] -o OUTPUT [-c] input
@description:
positional arguments:
input the input file path, file encode need utf-8.
optional arguments:
-h, --help show this help message and exit
-o OUTPUT, --output OUTPUT
the output file path.
-c, --cut use cut mode.
输入文件：
address_input.csv；输出文件：out.csv，省市县地址以\t间隔，-c表示使用切词
Todo
- bug修复，吉林省、广西省部分地址和上海浦东新区等三级区划地址匹配错误
- 增加定期从民政局官网，统计局官网爬取最新省市县镇村划分的功能，延后，原因是2018年后官网未更新
- 解决路名被误识别为省市名的问题，eg"天津空港经济区环河北路80号空港商务园"
- 添加省市区提取后的级联校验逻辑
- 大批量地址数据，准召率效果评估
- 补充香港、澳门、台湾三级区划地址信息
Contact
- Issue(建议)：
- 邮件我：xuming: xuming624@qq.com
- 微信我： 加我微信号：xuming624, 备注：个人名称-公司-NLP 进NLP交流群。
Citation
如果你在研究中使用了addressparser，请按如下格式引用：
APA:
Xu, M. Addressparser: Chinese address parser toolkit (Version 0.2.4) [Computer software]. https://github.com/shibing624/addressparserBibTeX:
@software{Xu_Addressparser_Chinese_address,
author = {Xu, Ming},
title = {{Addressparser: Chinese address parser toolkit}},
url = {https://github.com/shibing624/addressparser},
version = {0.2.4}
}License
授权协议为 The Apache License 2.0，可免费用做商业用途。请在产品说明中附加addressparser的链接和授权协议。
Contribute
项目代码还很粗糙，如果大家对代码有所改进，欢迎提交回本项目，在提交之前，注意以下两点：
- 在
tests添加相应的单元测试 - 使用
python pytest来运行所有单元测试，确保所有单测都是通过的
之后即可提交PR。
