はじめに

今回は、前回作った市区町村リストを使用して、
住所データから都道府県・市区町村を抽出してみます

環境

~ % python -V
Python 3.11.9

~ % pip list | grep pandas
pandas             2.2.3

準備

市区町村マスタ

以下内容のCSVデータを用意します（前回記事参照

抽出対象の住所リスト

ChatGPTで適当に作成します

address.csv

東京都渋谷区代々木2丁目2-1
北海道札幌市厚別区厚別中央2条5丁目
大阪府豊中市新千里東町1丁目5-3
京都府綾部市駅前通り1丁目9
神奈川県鎌倉市小町1丁目9-3
愛知県知立市中町中132
兵庫県芦屋市船戸町1-31
福岡県糸島市前原中央1丁目1-1
宮城県加美郡加美町字南町115-1
広島県安芸郡熊野町出来庭2丁目1-1
茨城県稲敷郡阿見町中央1丁目1-1
静岡県賀茂郡南伊豆町下賀茂413-1
千葉県安房郡鋸南町吉浜516
新潟県南魚沼郡湯沢町大字湯沢2497
岐阜県大野郡白川村荻町1086
長野県木曽郡木祖村薮原1191
群馬県多野郡上野村大字勝山127
岡山県久米郡美咲町原田2155
栃木県下都賀郡壬生町壬生乙2452
熊本県球磨郡水上村大字湯山1322-1

プログラム

import pandas as pd
import re
pd.set_option('display.unicode.east_asian_width', True)

# 都道府県名の抽出パターン
pref_pattern = r'(東京都|北海道|(?:京都|大阪)府|.{2,3}県)'

# 市区町村マスタの読み込み
# 市区町村名を結合したカラムを作っておく city_ward
city_df = pd.read_csv('city_list.csv')
city_df = city_df.fillna('')
# 市・区・町・村・郡の並びはクセがあるので調整の必要あり
# 今回は 区(ward)/郡(county)/市区町村(city) と想定し、
# 連結して一度に抽出するが、それぞれ抽出する方が良いかも
city_df['city_name'] = city_df.apply(lambda x: f"{x['ward']}{x['county']}{x['city']}", axis=1)

# 市区町村名のリストを名の長い順にソートし、抽出パターンに
city_pattern = '|'.join(sorted(city_df['city_name'].tolist(), key=len, reverse=True))

# 住所データの読み込み
df = pd.read_csv('address.csv', header=None, names=['address'])

def extract(address):
    # 都道府県名を抽出
    pref_match = re.match(pref_pattern, address)
    pref = pref_match.group() if pref_match else None
    rest = address[len(pref):] if pref else address # 都道府県名を除いた残り文字列

    # 市区町村名を抽出
    city_match = re.match(city_pattern, rest)
    city = city_match.group() if city_match else None
    return pd.Series([pref, city])

# 抽出結果を新しいカラムに追加
df[['pref', 'city']] = df['address'].apply(extract)

結果