如何精准筛选含有效门牌号的地址数据（排除纯文本与仅含邮编的记录）-Python教程-PHP中文网

如何精准筛选含有效门牌号的地址数据（排除纯文本与仅含邮编的记录）

本文介绍使用正则表达式在pandas中识别并保留包含“数字+字母”组合（如门牌号+街道名）的真实地址，自动过滤掉纯文字地址和仅有邮编的无效记录，确保地理数据清洗的准确性。

本文介绍使用正则表达式在pandas中识别并保留包含“数字+字母”组合（如门牌号+街道名）的真实地址，自动过滤掉纯文字地址和仅有邮编的无效记录，确保地理数据清洗的准确性。

在地址数据清洗任务中，常需区分“真实可定位地址”与“无效或不完整地址”。典型无效模式包括：

纯文本（如 San Diego County, California），无任何数字；
仅含邮编（如 92570），虽为数字但缺乏门牌号/街道等结构化信息。

理想目标是仅保留含“数字+后续字母”的地址片段——这通常对应门牌号（如 4150 Ute Dr 中的 4150 后紧跟 Ute），而非孤立邮编（92570 后无紧邻字母，或仅跟逗号/空格）。

✅ 推荐方案：用 str.contains() 匹配“数字+字母”模式

import pandas as pd

d = {
    'col1': [
        'San Diego County, California',
        '4150 Ute Dr, San Diego, California',
        'Vista del Lago, Perris, California, 92570'
    ],
    'col2': ['prov_1', 'prov_2', 'prov_3']
}
df = pd.DataFrame(data=d)

# 保留至少一处「1–4位数字 + 可选空格 + 字母」的行
filtered_df = df[df['col1'].str.contains(r'\d{1,4}\s*[a-zA-Z]+', na=False)]
print(filtered_df)

输出：

                                 col1    col2
1  4150 Ute Dr, San Diego, California  prov_2

✅ *为什么用 `\d{1,4}\s[a-zA-Z]+`？**

WebDesk

一款AI工具，主要用于一款超级好用的浏览器网址管理工具，以APP图标自定义浏览器主页和个性化Tab标签页，适合需要提升相关任务效率的用户。

下载

\d{1,4}：匹配 1–4 位数字（覆盖常见门牌号长度，避免误捕 5 位邮编）；
\s*：允许零个或多个空格（适配 123 Main 或 123 St）；
[a-zA-Z]+：强制后续必须有至少一个字母（排除 92570, 这类纯邮编场景）；
na=False：安全处理可能存在的缺失值（NaN），避免报错。

? 替代方案：提取首个匹配片段（适用于调试或特征工程）

若需进一步分析匹配内容，可用 str.extract()：

# 提取首个「数字+字母」组合（如 '4150 Ute'）
df['address_prefix'] = df['col1'].str.extract(r'(\d+\s*[a-zA-Z]+)', expand=False)
print(df[['col1', 'address_prefix']])

输出：

                                         col1 address_prefix
0              San Diego County, California            NaN
1    4150 Ute Dr, San Diego, California     4150 Ute
2  Vista del Lago, Perris, California, 92570            NaN

⚠️ 注意事项：