




下載本文檔
版權說明:本文檔由用戶提供并上傳,收益歸屬內(nèi)容提供方,若內(nèi)容存在侵權,請進行舉報或認領
文檔簡介
第pandas數(shù)據(jù)處理清洗實現(xiàn)中文地址拆分案例目錄一、案例場景二、初步方案三、優(yōu)化方案
一、案例場景
字段login_place,一共267725行記錄,隨機15條記錄如下:
后續(xù)數(shù)據(jù)分析工作需要用到地理維度進行分析,所以需要把login_place字段進行拆分成:國家、省份、地區(qū)。
二、初步方案
第三方中文分詞庫:jieba,可以對文本進行拆分。使用參考資料:jieba庫的使用。
初步方案:
用jieba.cut()將文本拆分為單詞列表list_word;
分支判斷l(xiāng)ist_word長度,賦值國家、城市、地區(qū)。
代碼:(抽取1000條記錄,看一下我這臺機器的運行時間)
%%time
#地區(qū)拆分
foriinrange(1000):
list_word=[wordforwordinjieba.cut(df.iloc[i,0])]
iflen(list_word)==1:
if'中國'indf.iloc[i,0]:
df.loc[i,'國家']=df.iloc[i,0][0:2]
df.loc[i,'省份']=df.iloc[i,0][2:]
else:
df.loc[i,'國家']=df.iloc[i,0]
eliflen(list_word)==2:
df.loc[i,'國家']=list_word[0]
df.loc[i,'省份']=list_word[1]
else:
df.loc[i,'國家']=list_word[0]
df.loc[i,'省份']=list_word[1]
df.loc[i,'地區(qū)']=list_word[2]
ifi%100==0:
print(f'{round(i*100/(int(1000)),2)}%')
1000條用了1min37秒。如果全部進行數(shù)據(jù)解析等待時間應該很久很久。有很多重復的記錄,這里先去重,再跑一次代碼。
去重之后,只有404不重復的記錄。
再跑一遍代碼,并且把結果保存到本地文件‘df_test.xlsx'。便于查看jieba第三方分詞庫對本次數(shù)據(jù)拆分是不是想要的結果。
國家:
‘國家'這一列,中國臺灣沒有拆分出來。
代碼試了一下,發(fā)現(xiàn)‘中國臺灣'確實拆分不了。證實了臺灣確實中國不可缺失的一部分。
省份:
‘省份'這一列拆分的更加糟糕。
總結:總數(shù)據(jù)集運行時間長,切詞不準確。需要優(yōu)化拆分方案!
三、優(yōu)化方案
在上面查看Excel文件時候發(fā)現(xiàn)‘login_place'字段的數(shù)據(jù)有以下特點:
整個數(shù)據(jù)集分類兩類:‘中國'和外國;
中國的省份大多是兩個字,除了‘黑龍江'和‘內(nèi)蒙古';
外國的,只有國家記錄。
優(yōu)化方案:
對國家判斷,形成分支:中國和外國;
對于中國,再判斷省份是不是‘黑龍江'和‘內(nèi)蒙古'。
不是:可以直接切分[2:4],提取省份。[4:],提取地區(qū);
是:[2:5]提取省份。[5:]提取地區(qū)
%%time
#地區(qū)拆分
foriinrange(df.shape[0]):
if'中國'indf.iloc[i,0]:
df.loc[i,'國家']='中國'
if('內(nèi)蒙古'indf.iloc[i,0])or('黑龍江'indf.iloc[i,0]):
#print(df.iloc[i,0])
df.loc[i,'省份']=df.iloc[i,0][2:5]
iflen(df.iloc[i,0])5:
df.loc[i,'地區(qū)']=df.iloc[i,0][5:]
else:
df.loc[i,'省份']=df.iloc[i,0][2:4]
df.loc[i,'地區(qū)']=df.iloc[i,0][4:]
else:
list_word=[wordforwordinjieba.cut(df.iloc[i,0])]
iflen(list_word)==1:
df.loc[i,'國家']=df.iloc[i,0][0:2]
df.loc[i,'省份']=df.iloc[i,0][2:]
else:
df.loc[i,'國家']=list_word[0]
df.loc[i,'省份']=list_word[1]
ifi%100==0:
print(f'{round(i*100/(int(df.shape[0])),2)}%')
保存Excel文件,再次查看拆分情況。經(jīng)過去重后的測試集拆分符合想要的結果。
運
溫馨提示
- 1. 本站所有資源如無特殊說明,都需要本地電腦安裝OFFICE2007和PDF閱讀器。圖紙軟件為CAD,CAXA,PROE,UG,SolidWorks等.壓縮文件請下載最新的WinRAR軟件解壓。
- 2. 本站的文檔不包含任何第三方提供的附件圖紙等,如果需要附件,請聯(lián)系上傳者。文件的所有權益歸上傳用戶所有。
- 3. 本站RAR壓縮包中若帶圖紙,網(wǎng)頁內(nèi)容里面會有圖紙預覽,若沒有圖紙預覽就沒有圖紙。
- 4. 未經(jīng)權益所有人同意不得將文件中的內(nèi)容挪作商業(yè)或盈利用途。
- 5. 人人文庫網(wǎng)僅提供信息存儲空間,僅對用戶上傳內(nèi)容的表現(xiàn)方式做保護處理,對用戶上傳分享的文檔內(nèi)容本身不做任何修改或編輯,并不能對任何下載內(nèi)容負責。
- 6. 下載文件中如有侵權或不適當內(nèi)容,請與我們聯(lián)系,我們立即糾正。
- 7. 本站不保證下載資源的準確性、安全性和完整性, 同時也不承擔用戶因使用這些下載資源對自己和他人造成任何形式的傷害或損失。
最新文檔
- T/CSWSL 038-2024飼料原料發(fā)酵谷物醋糟
- T/CAR 17-2024制冷智能零售柜
- 上海自愿離婚協(xié)議(協(xié)議文本)3篇
- 撤資協(xié)議書范本6篇
- 二手機動車買賣標準合同7篇
- 熬夜帶來的疾病
- 健康保養(yǎng)培訓課件
- 運動中急救知識
- 2025益陽職業(yè)技術學院輔導員考試試題及答案
- 2025贛南衛(wèi)生健康職業(yè)學院輔導員考試試題及答案
- 2025屆江蘇省蘇州市八校高三下學期三模聯(lián)考物理試卷(含解析)
- 分子氧氧化丙烯制環(huán)氧丙烷銅基催化劑的制備及性能研究
- 找人辦事花錢協(xié)議書
- 2024-2025學年青島版(五四學制)小學數(shù)學二年級下冊(全冊)知識點復習要點歸納
- 人教版五下-6.1 同分母分數(shù)加減法(教學課件)
- 2025年入團考試必考題目試題及答案
- 商標基礎知識試題及答案
- 中小學人工智能通識教育指南(2025年版)
- 職業(yè)技術學院裝配式建筑工程技術專業(yè)人才培養(yǎng)方案(2024版)
- 學校學生食品安全培訓課件
- 福建省2024-2025學年高一下學期4月期中聯(lián)考英語試題(原卷版+解析版)
評論
0/150
提交評論