政府が公開しているデータがいくらかある。

全国地方公共団体コード

利点

最初からCSV形式で用意されている
地方公共団体コードが仕様 (PDF) に従って分割されている。可読性は下がるが、
- 都道府県と結びつけやすい
- (相変わらず都道府県と市区町村が同列に並んでいるが) プログラムで分類しやすい
「郡」の情報がある (ただし…)
政令指定都市の区が同一ファイルに記載されている (ただし…)

文字コードが Shift_JIS なので文字化け注意
- 変換すればいいんだけどさ…
データ階層がめちゃくちゃ
- 政令指定都市と「郡」と「総合振興局」(北海道限定) が同じ階層
- 北海道の自治体で「総合振興局」がある場合、「郡」の情報はない
- 東京都の島嶼部の「支庁」の情報が混ざる (現在、正式な地名ではない)

上記の地方公共団体コード仕様から、各行がどのデータに当てはまるか分類することができる。

※沖縄県島尻郡の例外

沖縄県島尻郡は 341 からなので本来なら 341～359 が割り当てだが、町村数が多く 362 まで使用しており、341～369 が割り当てられている。次の宮古郡の割り当てはその分減らされ 371～379 である。

参考: Wikipediaによる解説と上記の仕様書

これらに気をつければ、標準地域コードから充分正規化された市町村データが取得できそう。

今回はそんなに細かい分類は求められていなかったので、以下の方針とした。

政令指定都市は市名と区名を結合する (ex. 「札幌市中央区」)
その他の市および東京特別区は市名そのまま (ex. 「鹿児島市」「千代田区」)
町村については
- 北海道の /.*総合振興局/ は無視し町村名のみ (ex. 「西興部村」)
- 東京都の離島地域の「支庁」は無視し町村名のみ (ex. 「小笠原村」)
- その他の町村は郡名と町村名を結合する (ex. 「夷隅郡大多喜町」)

入力は上記のCSV, 出力はYML形式とする。

cities.yml

- :prefecture_id: 1
  :name: 札幌市中央区
- :prefecture_id: 1
  :name: 札幌市北区
- :prefecture_id: 1
  :name: 札幌市東区
# ...以下省略

で、できたコードがこちら

「市町村コードの値」じゃなくてYAMLかなんかで正規化してほしかったな…