Python实现数据地址实体抽取

一、数据地址实体抽取的目的及问题

对数据的地址进行实体识别，主要作用是确定我们的数据主体最终可以归到哪一行政单位，从而在各行政单位上对数据主体的归属问题进行判断。

因何原因使用实体抽取：

例如原始数据所提供的信息为**省**市（地级）**市（县级）**镇，数据处理上，要对数据的省、地级市、县级市等信息进行单独抽取。

上述为标准的提供数据，但有时会出现：**省**市（县级市），或者**市（县级），这时候就要对数据进行补齐工作，补充该县级市所属的地级市、省。

其次，还有写出**省**市（地级市）的情况，没有写明县级市，如果以县级市进行对其，非实体抽取方式可能会将地级市与省份信息后移一位。

二、方法一：调用ahocorasick库

ahocorasick是个python模块，Aho-Corasick算法是多模式匹配中的经典算法，目前在实际应用中较多。

ahocorasick安装：

1、确定安装VC++，安装后，在模块选择里勾选Visual Studio Build Tools里面的C++ Build Tools

2、执行pip安装命令

pip install pyahocorasick

（若该方法安装失败，可尝试CSDN中其他安装方法）

ahocorasick使用：

若直接使用，会出现如下问题：

ahocorasick并没有对数据进行补全的功能，若原数据对子数据有确实，无法进行补齐，如内蒙古自治区——磴口县与内蒙古自治区——巴彦淖尔市——磴口县。后者数据符合要求，可分级进行存储，但前者地级市数据丢失。

解决方法：

1、仅将最后一级，如县级市作为关键字，对关键字进行查找，若关键词存在，通过关键词数据集向上补齐地级市与省份关键字，若不存在，则定为空。

2、若县级市关键词不存在，则将其县级市位置信息定为空，再将非空数据进行标记。

3、仅将地级市作为关键字，对具有标记的数据进行关键字查找，查找后再向上进行补齐。

4、以此类推，将其余省份信息进行补齐

该方法可参考，但不推荐，较为麻烦，且具有隐患。

三、方法一：调用cpca库

1、安装cpca库

pip指令执行：

pip install cpca

2、cpca库使用方法

import cpca
information=['内蒙古自治区呼伦贝尔市牙克石市民生B区','赛罕区大学西路街道内蒙古大学','回民区北二环路内蒙古财经大学','北京海淀区','河北深州市' ]
s=cpca.transform(information)
print(s)

3、执行结果

 注：cpca第三方库只会精确到县级市，县级市后均为地址

总结