Pythonのpandasを使って国際特許分類（IPC）の活用方法を検討している。前回は、特許庁のwebサイトからダウンロードしたHセクションをExcelファイルを解析して、各行の階層の分類を行った。今回は、その分類を元に、IPCの記号を入れたら作成したDataFrameから対象のIPCを見つけて、それを戻り値として返す関数を作ってみることにする。
「記号」列の整形
「記号」行を確認すると、記号中のサブクラスとメイングループの間のスペースの数が２つだったり、３つだったり、一定になっていないことが分かった。検索する上では、スペースの数に影響されないようにした方が正しくマッチできる可能性があがる。そこで、「記号」列のスペースを一つだけに統一するように整形する。
df['記号']0 H 1 H01 2 H01B 3 H01B 1/00 4 H01B 1/02 ... 10021 H05K 13/06 10022 H05K 13/08 10023 H99 10024 H99Z 10025 H99Z 99/00 Name: 記号, Length: 10026, dtype: object
整形では各行の記号列にlambdaで定義した関数をapplyさせて変換した。スペースをsplitコマンドで分割したのち、” “.joinで結合することにより、複数のスペースがある場合もスペース１つに変換できる。
df['記号'] = df['記号'].apply(lambda x : " ".join(x.split()))df['記号']0 H 1 H01 2 H01B 3 H01B 1/00 4 H01B 1/02 ... 10021 H05K 13/06 10022 H05K 13/08 10023 H99 10024 H99Z 10025 H99Z 99/00 Name: 記号, Length: 10026, dtype: object
上の二つのdf[‘記号’]の実行結果から、記号の中のスペースの数が変わっているのが分かります。
記号からIPCの分類を出力する関数
まず、入力された記号がIPCのルールに合致しているか確認する関数「check_IPC」を作ります。
IPCのルールから、先頭文字はセクションを表すA～Hの文字、2文字目と3文字目は数字、4文字目はA～Zの文字、次にスペースが１つ以上入って、数字が１つ以上入って、スラッシュの後に、また、数字が１つ以上入ります。戻り値は、上記の記号のルールに合致していたら、True、異なっていたら、Falseを返します。
下のコード[13]には、下にcheck_IPCの関数を使ったテストコードを実行しています。
import re
def check_IPC(IPC_code):
if re.match('[A-H][0-9][0-9][A-Z]\s+[0-9]+/[0-9]+',IPC_code):
return True
else:
return False
for IPC_code in ['B', '', '＜注＞','B12G 12/23', 'd12', 'H12G', 'E11A 10/00','E112A 10/00']:
print(check_IPC(IPC_code))False False False True False False True False
IPCの記号のルールに合致しているのは4つ目の’B12G 12/23’と７つ目の’E11A 10/00’の二つで、それ以外はFalseを返します。
引き続いて、IPCの記号を入力すると、それに対応する説明をリストとして出力する関数IPC_showを定義します。その関数は以下のような設計です。
- check_IPCにより、記号がIPCのルールに沿っているかを確認し、もし、記載方法がルールと一致しない場合は、エラーメッセージを戻り値に返します。
- セクション、クラス、サブクラス、メイングループ、サブグループに相当する説明をDataFrameから取得し、リストに収納し、戻り値に返します。その際、一致する値がなかった階層のパラメータは、空白値を返します。
- セクション：１文字目を確認
- クラス：１文字目から３文字目を確認
- サブクラス：１文字目から４文字目を確認
- メイングループ：スラッシュの左側に”/00″をつけたものを確認
- サブグループ：記号すべてを確認
- 各階層の説明を１次元のリストとして取得するために、取得した結果の１つ目の説明をvalues[0]で文字列として取得し、リストに追加します。
def show_IPC(IPC_code):
if check_IPC(IPC_code) == False:
return ['IPCコードが間違っています']
IPC_code = " ".join(IPC_code.split())
IPC = []
result = []
# level = 1 ： セクション（アルファベット１文字）
result.append(df[df['記号']==IPC_code[0:1]]['タイトル'])
# level = 2 ： クラス（アルファベット１文字＋数字２桁
result.append(df[df['記号']==IPC_code[0:3]]['タイトル'])
# level = 3 ： サブクラス（アルファベット１文字＋数字１～２桁＋アルファベット１文字）
result.append(df[df['記号']==IPC_code[0:4]]['タイトル'])
# level = 4 ： メイングループ（アルファベット１文字＋数字２桁＋アルファベット１文字＋スペース＋数字１～２桁＋スラッシュ＋00）
result.append(df[df['記号']==(IPC_code.split('/')[0]+'/00')]['タイトル'])
# level = 5 ： サブグループ（アルファベット１文字＋数字２桁＋アルファベット１文字＋スペース＋数字１～２桁＋スラッシュ＋00以外の数字）
result.append(df[df['記号']==IPC_code]['タイトル'])
for i in range(0,5):
if len(result[i]):
IPC.append(result[i].values[0])
else:
IPC.append("")
return IPC
関数の確認
それでは、ちゃんと関数ができているか、確認してみます。
１番目の例では、マッチする階層までの説明を出力し、マッチしないH01Z以下の階層は””を出力します。
２番目の例では、正しいIPC記号を入れたので、セクションからサブグループまでの情報を出力します。
３番目の例では、IPCのルールに合っていない記号を入れたので、エラーを出力します。
# マッチしないIPC記号
IPC1 = show_IPC('H01Z 10/052')
print(IPC1)
# マッチするIPC記号
IPC2 = show_IPC('H01M 10/052')
print(IPC2)
# IPC記号のフォーマットに合わない記号
IPC3 = show_IPC('Z01M 10/052')
print(IPC3)['電気', '基本的電気素子', '', '', ''] ['電気', '基本的電気素子', '化学的エネルギーを電気的エネルギーに直接変換するための方法または手段，例．電池［２］', '二次電池；その製造［２］', 'リチウム二次電池［２０１０．０１］'] ['IPCコードが間違っています']
今回は、まだ、Hセクションだけのデータですが、入力されたIPC記号から、説明を返す関数ができました。次回は、Hセクション以外のIPCについても対応できるようにします。
コメント