使用python清理csv文件中的数据

Question

嗨，我正在处理一个有几列的csv文件。一个特殊的列是以下格式的address -

美国华盛顿州金县胡安尼塔东北115号10515号，邮编: 98033

我想拆分每个列基于(，)，并创建新的相关列为每个像单位，街道，州，邮编等…

我可以根据(，)对它们进行拆分，现在每次拆分都有一列。

问题是这个数据不一致，拆分后得到的列总数是10列，但是数据的顺序不一样。一些记录如下所示-

美国华盛顿州金县西雅图西西雅图38号西南大道3008号，邮编: 98126

美国华盛顿州金县，东北130街23098号，三部曲，联合山-新奇山庄，邮编98053

美国华盛顿州金县，西雅图，华盛顿公园，Broadmoor，第32大道东32号消防局34号，邮编: 98112

基本上，并不是每条记录都包含这10种信息，而且顺序也不一定相同。

清理这类数据的最佳方法应该是什么？我想最终让数据根据它们所代表的内容放在相关的列中，比如如果城市列在城市列下，如果邮政编码移动到邮政编码列等等。

我使用的是Python 2.0。

希望得到一个好的解决方案。谢谢!

Answer 1

我将使用库usaddress将地址分解为其组成部分。

https://usaddress.readthedocs.io/en/latest/

>>> import usaddress
>>> usaddress.tag('Robie House, 5757 South Woodlawn Avenue, Chicago, IL 60637')
(OrderedDict([
   ('BuildingName', 'Robie House'),
   ('AddressNumber', '5757'),
   ('StreetNamePreDirectional', 'South'),
   ('StreetName', 'Woodlawn'),
   ('StreetNamePostType', 'Avenue'),
   ('PlaceName', 'Chicago'),
   ('StateName', 'IL'),
   ('ZipCode', '60637')]),
'Street Address')

>>> usaddress.tag('State & Lake, Chicago')
(OrderedDict([
   ('StreetName', 'State'),
   ('IntersectionSeparator', '&'),
   ('SecondStreetName', 'Lake'),
   ('PlaceName', 'Chicago')]),
'Intersection')

>>> usaddress.tag('P.O. Box 123, Chicago, IL')
(OrderedDict([
   ('USPSBoxType', 'P.O. Box'),
   ('USPSBoxID', '123'),
   ('PlaceName', 'Chicago'),
   ('StateName', 'IL')]),
'PO Box')

在那里，您可以查询返回的字典并将其放入pandas DataFrame中。