如何从数据框中的地址列提取英国邮政编码？

Question

我有一个包含信息的数据框，特别是像下面的数据框这样的地址：

    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，有些有逗号，有些没有，还有来自其他国家的地址示例。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

这可能意味着在子字符串上进行合并或只是提取

我试过：

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})$')

提取邮政编码，但这似乎不起作用，出现了9个参数的错误，其中应取1

我还尝试：

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'}))

从这里开始：How to merge pandas on string contains?但是在我的机器上运行需要很长时间，因为第二个数据帧中有170万个邮政编码需要匹配

预期产出为：

    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（与基于邮政编码的第二个数据帧匹配）：

    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

任何帮助都将被感激，或者被指向正确的方向

多谢各位

*地址已更改，因此不是真实地址，但格式相同

Answer 1

如果始终需要最后两个值，请使用“拆分”将字符串转换为列表，并获取列表中的最后两个值

地址=“黄色花园，肯特郡通布里奇威尔斯TN5 4NP”

地址列表=地址拆分（）

Zip=地址列表[len（地址列表）-1]+“”+地址列表[len（地址列表）]

Answer 2

我不知道您的数据有多不规则，您对篡改的容忍度有多高，但面对相当混乱的地址数据，有时您需要一些横向思考。考虑使用谷歌地图API，把地址扔到它，并收回干净的数据使用谷歌的所有智慧。对于170万个地址，您需要支付一点费用，每天的免费配额非常少

Answer 3

尝试使用邮政：https://github.com/openvenues/pypostal

这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')]

而且我认为它将更好地处理真实数据