如何从pandas DataFrame中的地址列中提取英国邮编？

Question

我有一个DataFrame，其中包含信息，特别是像下面的DataFrame这样的地址。

    col1   col2
0   1303   674 Yellow Gardens,Tunbridge Wells, Kent TN5 4NP
1   1205   154 Coller Crescent Runcorn,Cheshire WP6 4TY
2   1504   122 Uphill Road,Rayleigh, Essex SF6 9VT
3   1678   67 Lampoon Crescent,Billericay, Essex, CM52 0QY
4   1897   32 Dovelane,Benfleet, Essex, PT7 6WA
5   1654   46, The Clewter,Great Durham, Essex, CD7 9HE

这些都是不同的格式，有的有逗号，有的没有，还有一些其他国家的地址的例子。我想知道如何从这里提取地址，因为我想将它们与位置数据合并。

这可能意味着在子串上进行合并，或者仅仅是提取出

我已经尝试过。

df["postcodes"] = df["address"].str.extract(r'^([Gg][Ii][Rr] 0[Aa]{2})|((([A-Za-z][0-9]{1,2})|(([A-Za-z][A-Ha-hJ-Yj-y][0-9]{1,2})|(([A-Za-z][0-9][A-Za-z])|([A-Za-z][A-Ha-hJ-Yj-y][0-9]?[A-Za-z])))) [0-9][A-Za-z]{2})$')

来提取邮编，但似乎行不通 出现了9个参数的错误，应该取1个。

我也尝试过。

rhs = (df1.address
          .apply(lambda x: df2[df2.Postcode.str.find(x).ge(0)]['location'])
          .bfill(axis=1)
          .iloc[:, 0])

(pd.concat([df1.app_nbr, rhs], axis=1, ignore_index=True)
 .rename(columns={0: 'app_nbr', 1: 'location'}))

从这里..: 如何在字符串中合并pandas？ 但它在我的机器上运行需要很长时间，因为在第二个数据框架中有170万个邮编需要匹配。

预期的输出将是：要么

    col1   col2                                                  col3
0   1303   674 Yellow Gardens,Tunbridge Wells, Kent TN5 4NP   TN5 4NP
1   1205   154 Coller Crescent Runcorn,Cheshire WP6 4TY       WP6 4TY
2   1504   122 Uphill Road,Rayleigh, Essex SF6 9VT            SF6 9VT
3   1678   67 Lampoon Crescent,Billericay, Essex, CM52 0QY   CM52 0QY
4   1897   32 Dovelane,Benfleet, Essex, PT7 6WA               PT7 6WA
5   1654   46, The Clewter,Great Durham, Essex, CD7 9HE       CD7 9HE

或者（根据邮编与第二个数据框匹配）。

    col1   col2                                              col3 (coords)
0   1303   674 Yellow Gardens,Tunbridge Wells, Kent TN5 4NP   50.00, 1.00
1   1205   154 Coller Crescent Runcorn,Cheshire WP6 4TY       51.23, 1.05
2   1504   122 Uphill Road,Rayleigh, Essex SF6 9VT            54.65, 1.07
3   1678   67 Lampoon Crescent,Billericay, Essex, CM52 0QY    51.23, 0.95
4   1897   32 Dovelane,Benfleet, Essex, PT7 6WA               54.6,  2.23
5   1654   46, The Clewter,Great Durham, Essex, CD7 9HE       49.25, 1.23

任何帮助将被感激或被指出在正确的方向。

谢谢你的帮助

* 地址已被更改，所以不是真实的，但格式是一样的。

Answer 1

如果你总是需要最后2个值，通过使用split将字符串转换为列表，并在列表中取最后两个值。

地址="Yellow Gardens,Tunbridge Wells, Kent TN5 4NP"

Adresslist=Adress.split()

Zip = Adresslist[len(Adresslist)-1]+" "+ Adresslist[len(Adresslist)]。

Answer 2

我不知道你的数据有多不规则，也不知道你对篡改的容忍度有多高，但是面对相当混乱的地址数据，有时候你需要一些横向思维。可以考虑使用google地图API，把地址扔到它那里，然后用谷歌的所有智慧把清理过的数据拿回来。对于1.7米的地址，你要付出一点代价，每天免费的配额是相当少的。

Answer 3

尽量用邮政。https:/github.comopenvenuespypostal。

它是一个用于解析地址的开源库。

In [1]: from postal.parser import parse_address

In [2]: parse_address("Coller Crescent Runcorn,Cheshire WP6 4TY")
Out[2]:
[('coller crescent', 'road'),
 ('runcorn', 'city'),
 ('cheshire', 'state_district'),
 ('wp6 4ty', 'postcode')]

In [3]: parse_address("Yellow Gardens,Tunbridge Wells, Kent TN5 4NP")
Out[3]:
[('yellow gardens', 'road'),
 ('tunbridge wells', 'city'),
 ('kent', 'state_district'),
 ('tn5 4np', 'postcode')]

另外我认为用真实的数据会更好。