郵便 番号 から 緯度 経度
- 郵便番号から緯度経度の取得 | 株式会社サイバーブレーン | 東京都豊島区のホームページ・WEB制作会社
- 郵便番号から緯度経度を計算|Mikio Kubo|note
- 郵便番号から 緯度経度 算出
- 郵便番号から緯度経度や住所に変換するWEB TOOLです | tree-maps
これはすごい。もしかしたら郵便局とか、(電柱を管理する上で精緻な住所データを持っている)NTTなどが売りたかったデータかもしれません。 住所データが重要なのは言うまでもありませんが、もう1つ悩ましいのがマンション・アパートの名寄せ問題。同じ建物でも人によって英語で書いたりカタカナで書いたり、数字がアラビア数字だったりローマ数字だったり。あと、不動産屋さんがポータルサイトに掲載するときに独立して表示されるよう、わざと微妙に情報を変える小技なんかもあったりして、とにかく大変です。 これも、ある程度はNNをつかって名寄せ作業の自動化もできなくはないのですが。下記は一例としてアットホーム・ラボの皆さんの発表。我々もお手伝いさせていただきました。 門洋一, 広方崇, 松村浩二, 汪雪テイ, 山崎俊彦, "ニューラルネットワークを利用した集合住宅の物件情報の名寄せ, " 人工知能学会全国大会 (JSAI2020), 1N5-GS-13-03, 2020.
郵便番号から緯度経度の取得 | 株式会社サイバーブレーン | 東京都豊島区のホームページ・WEB制作会社
JPからは郵便番号一覧が配布されており、国土交通省からは住所と緯度経度一覧が配布されている。これを合わせて、郵便番号から緯度経度を引けるようにした。国土交通省のデータ方が多いので、マッチングして出た点の緯度経度の平均をとる。 JPのデータを読む関数はこんな感じだ。 def read_zip (file_name): name =[ "code", "zip5", "zip7", "yomi1", "yomi2", "yomi3", "name1", "name2", "name3", "other1", "other2", "other3", "other4", "other5", "reason"] zipcode = ad_csv(file_name, names=name, encoding= 'cp932') zipcode = zipcode[ [ "zip7", "yomi3", "name1", "name2", "name3"]] pat1 = r"(. +)$" pattern1 = mpile(pat1) zipcode[ "大字"] = zipcode[ "name3"]. replace(pattern1, '', regex= True) pat1 = r"(\d+-\d+チヨウメ)" zipcode[ "丁目"] = zipcode[ "yomi3"](pattern1) return zipcode Pandasで読んだ後に正規表現で大字と丁目データを追加している。 国土交通省のデータは以下の関数で読む。 def read_df (file_name): df = ad_csv(file_name, encoding= 'cp932') pat2 = r"[一二三四五六七八九十壱弐参拾百千万萬億兆〇]+丁目$" pattern2 = mpile(pat2) df[ "大字"] = df[ "大字町丁目名"]. replace(pattern2, '', regex= True) df[ "丁目"] = df[ "大字町丁目コード"]% 100 return df これも正規表現で大字を抽出し、丁目番号をコードから生成しただけだ。 2つのデータをマッチングさせて緯度経度を計算し、郵便番号のデータフレームに保管する。 def compute_lat_lng (zipcode, df): count = 0 lat_column, lng_column = [], [] for row in ertuples(): try: cyoume = row.
郵便番号から緯度経度や住所に変換するWEB TOOLです | tree-maps
丁目( "-")
start, finish = int(cyoume[ 0]), int(cyoume[ 1][: -4])
except:
start, finish = 0, 0
extract = df[ (df[ "都道府県名"] == me1) & (df[ "市区町村名"]me2) & (df[ "大字"]==row. 大字)]
if len(extract)== 0:
extract = df[ (df[ "都道府県名"] == me1) & (df[ "市区町村名"]me2) & (df[ "大字"]== "大字" +row. 大字)]
lat_list, lng_list = [], []
if len(extract)> 0:
for row2 in ertuples():
if start ということで、PowerBIでesriのパーツが使いたかっただけなのだけれども、GoogleのジオコーディングAPIにゆるゆると問い合わせる以外になんかあるかなと探していたら
東京大学の空間情報科学研究センター さんで国土交通省のデータを基にした、変換サービスを提供されていた。
なもんで、 郵便局のダウンロードページ から落としてきたKEN_ALLデータから
都道府県+市区町村レベルまで結合した住所に緯度経度を当ててみた。
ファイルは こちらからダウンロード してください。
使用にあたっては、上記の空間情報科学研究センターの当該プロジェクトを一読してから活用ください。ありがたいことに自己責任の上で商用もOKです。(投稿時点)
具体的には、"東京都千代田区"に対して"139. 75354 35. 69393″とあたるくらいで
日本全国の地図に対して、1900程度をポイントすることが可能です。
正直それ以上ポイントすると何が何やら(@q@
これを郵便番号の各番号レベルに割り当ててしまうと、124, 178というポイントになるので、あえて上記に絞り込んでいる。あくまでもPowerBIで見たいだけ。
renz
飲食・リテール・流通の業務用途における先端系のプロトタイピングをよくやっています。
記事内容は、執筆時点での情報ですから、特に設定等をそのままコピペは避けてください。責任持てないです^q^ 文字列が7桁ですべてが数字文字列かどうかをチェックする
if (ctype_digit($zip) && strlen($zip) == 7)) {
//郵便番号としてGeocoding APIからの緯度経度取得} 7811833,
"lon":139. 6523667},
"parts":["東京都", "板橋区", "大門", ""],
"kana":"トウキヨウトイタバシクダイモン",
"kanaParts":["トウキヨウト", "イタバシク", "ダイモン", ""],
"distance":421. 2},
"address":{"text":"東京都板橋区赤塚8丁目",
"code":"13119002008",
"point":{"lat":35. 7803333,
"lon":139. 6488833},
"parts":["東京都", "板橋区", "赤塚", "8丁目"],
"distance":484}]}
[検索結果が0件の例]
JSZxxxxxxxxxx|xxxxx &if_auth_type=ip&latlon=35. 7032983, 138. 2820319 JavaScriptマップAPIに変更しました。
2018年9月5日 HTML出力をGoogle Maps APIからLeafletに変更。
2018年11月1日 地図のベースをGoogle Maps APIからLeafletに変更。
2021年1月30日 Yahoo! JavaScriptマップAPIのジオコーダーから、Yahoo! ジオコーダAPIに変更。
利用例:iタウンページの住所リストから本サイトを使用して地図化する手順を詳細に解説しています。
解説 (Wordファイル2. 4MByte)
※変換したデータの情報は、本ページではログ等の記録はまったく取っていませんが、Yahoo側に送信されます。変換データに際しては個人情報保護についてもご留意ください。
今日 昨日 {"status":{"code":"0000",
"text":"OK"},
"info":{"hit":5},
"item":[{"zipcode":"1750084",
"address":{"text":"東京都板橋区四葉2丁目",
"code":"13119056002",
"point":{"lat":35. 7772944,
"lon":139. 6560389},
"parts":["東京都", "板橋区", "四葉", "2丁目"],
"kana":"トウキヨウトイタバシクヨツバ",
"end":null,
"bounds":null,
"kanaParts":["トウキヨウト", "イタバシク", "ヨツバ", ""],
"level":"azc"},
"distance":272. 3},... ]}
[通常出力例]
JSZxxxxxxxxxx|xxxxx &if_auth_type=ip&latlon=35. 7773116, 139. 6529444&radius=500 {"status":{"code":"0000",
"distance":272. 3},
{"zipcode":"1750092",
"address":{"text":"東京都板橋区赤塚7丁目",
"code":"13119002007",
"point":{"lat":35. 7748972,
"lon":139. 6510222},
"parts":["東京都", "板橋区", "赤塚", "7丁目"],
"kana":"トウキヨウトイタバシクアカツカ",
"kanaParts":["トウキヨウト", "イタバシク", "アカツカ", ""],
"distance":310. 8},
"address":{"text":"東京都板橋区赤塚6丁目",
"code":"13119002006",
"point":{"lat":35. 7750583,
"lon":139. 6492889},
"parts":["東京都", "板橋区", "赤塚", "6丁目"],
"distance":403. 4},
{"zipcode":"1750085",
"address":{"text":"東京都板橋区大門",
"code":"13119028000",
"point":{"lat":35. 株式会社Geoloniaと一般社団法人不動産テック協会は、日本全国の町丁目レベル18万9540件の住所データと代表点の緯度経度のデータなどが記録された「Geolonia 住所データ」をオープンデータとして公開した。CC BY 4.郵便番号から緯度経度を計算|Mikio Kubo|note
郵便番号から 緯度経度 算出
郵便番号から緯度経度や住所に変換するWEB TOOLです | tree-maps