VM
Можно подойти таким образом: ФИАС + API Яндекса.
Size: a a a
2021 September 03
AD
смотрю в сторону яндекса
AD
а у них есть нормализация адреса. на вход подаю : мск ул Ленина 5, а подучаю 113454, Москва г, Ленина ул 5?
PZ
там много всего есть, но и лимиты тоже есть
AD
просто у них все ништяки в платной версии
VM
да, нормализация есть.
Имейте в виду, что если совпадений несколько, то API возвращает список адресов.
Мне не совсем ясна Ваша задача. Советую в первую очередь посмотреть ФИАС.
Имейте в виду, что если совпадений несколько, то API возвращает список адресов.
Мне не совсем ясна Ваша задача. Советую в первую очередь посмотреть ФИАС.
AD
а что в ФИАС?
VM
Это универсальный классификатор адресов. В нём все адреса по России.
AD
это я знаю
VM
Удобно. Можно отсеять несуществующие адреса. Или ошибочные. Или на основании него сделать справочник улиц по региону. Например.
AD
ошибочные адреса у меня на входе) надо их причесывать, а далее уже регион вытаскивать и тд
А
Добрый день. Можете подсказать как в pandas к каждой строке добавить количество её дубликатов?
Нашёл только вариант с объединением в уникальные строки и числом дубликатов
https://stackoverflow.com/questions/35584085/how-to-count-duplicate-rows-in-pandas-dataframe
A A A A 2
A B —> A B 1
A A A A 2
B A B A 1Нашёл только вариант с объединением в уникальные строки и числом дубликатов
https://stackoverflow.com/questions/35584085/how-to-count-duplicate-rows-in-pandas-dataframe
A A 2
A B 1
B A 1
A
Транспонировать датафрейм. Потом для каждого столбца применить функцию df.столбец.unique(). Получим количество уникальных значений
A
Вычтем из len(df.столбец), получим количество дубликатов
A
Смотрите
PZ
сделайте groupby как там написано , а потом присоедините результат к основному через merge.
АД
На большом датафрейме комп "ляжет" при транспонировании ((
A
С другой стороны groupby не все освоят как и правильный merge
А
Спасибо. Чуть позже попробую сделать