正規表現で住所を分解

郵便局のutf_ken_all.csvの「都道府県名、市区町村名、町域名」をつなげた住所を元の列に分解する正規表現の紹介です。

下記のようにすると100%分解できました（2026-06-30現在）。

CITY = (  # 市名が「区」で終われない等の例外
    "旭川市|伊達市|田村市|南相馬市|上越市|富山市|"
    "東村山市|武蔵村山市|羽村市|十日町市|那須塩原市|"
    "姫路市|大町市|大村市|野々市市|四日市市|廿日市市"
)
GUN = (  # 郡部の例外
    "芳賀郡市貝町|佐波郡玉村町|中新川郡上市町|西八代郡市川三郷町|"
    "神崎郡市川町|柴田郡村田町|田村郡..町|吉野郡下市町|杵島郡大町町|"
    "余市郡.{2,3}[町村]|高市郡.{2,3}[町村]|[東西北]村山郡.{2,3}町"
)
pattern = (
    "^(東京都|北海道|(?:京都|大阪)府|.{2,3}県)"  # 都道府県名
    f"({CITY}|{GUN}|.+?市.+?区|.+?[市区町村])"  # 市区町村名
    "(.+)$"  # 町域名
)

市区町村名の変更があっても修正すれば対応できそうです。

確認方法

郵便番号データダウンロードから、utf_ken_all.csvをダウンロードしてください。

下記をmain.pyで保存して、uv run main.pyを実行してください。一致率が表示されます。

# /// script
# dependencies = ["polars==1.42.0"]
# ///
import polars as pl

CITY = (  # 市名が「区」で終われない等の例外
    "旭川市|伊達市|田村市|南相馬市|上越市|富山市|"
    "東村山市|武蔵村山市|羽村市|十日町市|那須塩原市|"
    "姫路市|大町市|大村市|野々市市|四日市市|廿日市市"
)
GUN = (  # 郡部の例外
    "芳賀郡市貝町|佐波郡玉村町|中新川郡上市町|西八代郡市川三郷町|"
    "神崎郡市川町|柴田郡村田町|田村郡..町|吉野郡下市町|杵島郡大町町|"
    "余市郡.{2,3}[町村]|高市郡.{2,3}[町村]|[東西北]村山郡.{2,3}町"
)
pattern = (
    "^(東京都|北海道|(?:京都|大阪)府|.{2,3}県)"  # 都道府県名
    f"({CITY}|{GUN}|.+?市.+?区|.+?[市区町村])"  # 市区町村名
    "(.+)$"  # 町域名
)

df = pl.read_csv("utf_ken_all.csv", has_header=False)[:, 6:9]
df.columns = ["Prefecture", "City", "Town"]
df = (
    df.filter(pl.col("Town") != "以下に掲載がない場合")
    .with_columns(pl.col("Town").str.split("（").list[0])
    .with_columns(
        Address=pl.col("Prefecture") + pl.col("City") + pl.col("Town")
    )
    .unique(pl.col("Address"), maintain_order=True)
)
df_fail = df.with_columns(
    pl.col("Address").str.extract_groups(pattern).struct.unnest()
)
assert df_fail.filter(pl.any_horizontal(pl.all().is_null())).height == 0

df_fail = df_fail.filter(
    (pl.col("Prefecture") != pl.col("1"))
    | (pl.col("City") != pl.col("2"))
    | (pl.col("Town") != pl.col("3"))
)
print(f"一致率 = {1 - df_fail.height / df.height:.4%}")

参考

以上