Cpca 模塊：自動識別文字中的省市區并繪圖

憤怒的蔥花 2024-08-06

展開全文

在做NLP（自然語言處理）相關任務時，經常會遇到需要識別并提取省、城市、行政區的需求。雖然我們自己通過關鍵詞表一個個查找也能實現提取目的，但是需要先搜集省市區關鍵詞表，相對而言比較繁瑣。

今天給大家介紹一個模塊，你只需要把字符串傳遞給這個模塊，他就能給你返回這個字符串內的省、市、區關鍵詞，并能給你在圖片上標注起來，它就是 Cpca 模塊。

1.準備

開始之前，你要確保Python和pip已經成功安裝在電腦上，如果沒有，可以訪問這篇文章：超詳細Python安裝指南進行安裝。

**(可選1) **如果你用Python的目的是數據分析，可以直接安裝Anaconda：Python數據分析與挖掘好幫手—Anaconda，它內置了Python和pip.

**(可選2) **此外，推薦大家用VSCode編輯器，它有許多的優點：Python 編程的最好搭檔—VSCode 詳細指南。

請選擇以下任一種方式輸入命令安裝依賴 ：

Windows 環境打開 Cmd (開始-運行-CMD)。
MacOS 環境打開 Terminal (command+空格輸入Terminal)。
如果你用的是 VSCode編輯器或 Pycharm，可以直接使用界面下方的Terminal.

pip install cpca

注意，目前 cpca 模塊僅支持Python3及以上版本。

在 windows 上可能會出現類似如下問題：

Building wheel for pyahocorasick (setup.py) ... error

先閱讀原文去下載 Microsoft Visual C++ Build Tools 安裝VC++構建工具，再重新 pip install cpca，即可解決問題。

2.基本使用

通過兩行代碼就能實現最基本的省市區提取：

# 公眾號: Python 實用寶典
# 2022/06/23

import cpca

location_str = [
    "廣東省深圳市福田區巴丁街深南中路1025號新城大廈1層",
    "特斯拉上海超級工廠是特斯拉汽車首座美國本土以外的超級工廠，位于中華人民共和國上海市。",
    "三星堆遺址位于中國四川省廣漢市城西三星堆鎮的鴨子河畔，屬青銅時代文化遺址"
]
df = cpca.transform(location_str)
print(df)

效果如下：

省 市 區 地址 adcode
0 廣東省 深圳市 福田區 巴丁街深南中路1025號新城大廈1層 440304
1 上海市 None None 。310000
2 四川省 德陽市 廣漢市 城西三星堆鎮的鴨子河畔，屬青銅時代文化遺址 510681

注意第三條的廣漢市，cpca 不僅識別到了語句中的縣級市廣漢市，還能自動匹配到其代管市的德陽市，不得不說非常強大。

如果你想獲知程序是從字符串的那個位置提取出省市區名的，可以添加一個 pos_sensitive=True 參數:

# 公眾號: Python 實用寶典
# 2022/06/23

import cpca

location_str = [
    "廣東省深圳市福田區巴丁街深南中路1025號新城大廈1層",
    "特斯拉上海超級工廠是特斯拉汽車首座美國本土以外的超級工廠，位于中華人民共和國上海市。",
    "三星堆遺址位于中國四川省廣漢市城西三星堆鎮的鴨子河畔，屬青銅時代文化遺址"
]
df = cpca.transform(location_str, pos_sensitive=True)
print(df)

效果如下：

(base) G:push20220623 >python 1.py
     省 市 區 地址 adcode 省_pos 市_pos 區_pos
0  廣東省 深圳市 福田區 巴丁街深南中路1025號新城大廈1層 440304      0      3      6
1  上海市 None None 。310000     38     -1     -1
2  四川省 德陽市 廣漢市 城西三星堆鎮的鴨子河畔，屬青銅時代文化遺址 510681      9     -1     12

它標記出了識別到省、市、區的關鍵位置（index），當然如果是德陽市這種特殊的識別會被標記為-1.

3.高級使用

它還可以從大段文本中批量識別多個地區：

# 公眾號: Python 實用寶典
# 2022/06/23

import cpca

long_text = "對一個城市的評價總會包含個人的感情。如果你喜歡一個城市，很有可能是喜歡彼時彼地的自己。"
    "在廣州、香港讀過書，工作過，在深圳買過房、短暫生活過，去北京出了幾次差。"
    "想重點比較一下廣州、深圳和香港，順帶說一下北京。總的來說，覺得廣州舒適、"
    "香港精致、深圳年輕氣氛好、北京大氣又粗糙。答主目前選擇了廣州。"
df = cpca.transform_text_with_addrs(long_text, pos_sensitive=True)
print(df)

效果如下：

(base) G:push20220623 >python 1.py
          省 市 區 地址 adcode 省_pos 市_pos 區_pos
0       廣東省 廣州市 None     440100     -1     44     -1
1   香港特別行政區 None  None     810000     47     -1     -1
2       廣東省 深圳市 None     440300     -1     58     -1
3       北京市 None  None     110000     71     -1     -1
4       廣東省 廣州市 None     440100     -1     86     -1
5       廣東省 深圳市 None     440300     -1     89     -1
6   香港特別行政區 None  None     810000     92     -1     -1
7       北京市 None  None     110000    100     -1     -1
8       廣東省 廣州市 None     440100     -1    110     -1
9   香港特別行政區 None  None     810000    115     -1     -1
10      廣東省 深圳市 None     440300     -1    120     -1
11      北京市 None  None     110000    128     -1     -1
12      廣東省 廣州市 None     440100     -1    143     -1

不僅如此，模塊中還自帶一些簡單繪圖工具，可以在地圖上將上面輸出的數據以熱力圖的形式畫出來：

# 公眾號: Python 實用寶典
# 2022/06/23

import cpca
from cpca import drawer

long_text = "對一個城市的評價總會包含個人的感情。如果你喜歡一個城市，很有可能是喜歡彼時彼地的自己。"
    "在廣州、香港讀過書，工作過，在深圳買過房、短暫生活過，去北京出了幾次差。"
    "想重點比較一下廣州、深圳和香港，順帶說一下北京。總的來說，覺得廣州舒適、"
    "香港精致、深圳年輕氣氛好、北京大氣又粗糙。答主目前選擇了廣州。"
df = cpca.transform_text_with_addrs(long_text, pos_sensitive=True)
drawer.draw_locations(df[cpca._ADCODE], "df.html")

運行的時候可能會報這個錯：

(base) G:push20220623 >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:Anaconda3libsite-packagescpcadrawer.py", line 41, in draw_locations
    import folium
ModuleNotFoundError: No module named 'folium'

使用pip安裝即可：