Pythonを使った特許解析：IPC活用(4)

import pandas as pd
import numpy as np
import re
import glob
import unicodedata 


files = glob.glob('data/*.xls')
print('File names')
print(files)

print('Length of DataFrame')
for i, file in enumerate(files):
    if i == 0:
        df = pd.read_excel(file)
    else:
        df = pd.concat([df, pd.read_excel(file)])
    print(len(df), end=', ')
print('finished')

# level列を追加
# level　　　　：表現形式：判断ロジック
# level = 0　：　不要な行：先頭がA～Hのアルファベットではない
# level = 1 ：　セクション（アルファベット１文字）：A～Hのアルファベット
# level = 2 ：　 クラス（アルファベット１文字＋数字２桁：3桁
# 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）：4桁
# 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）：スラッシュを含み、スラッシュの右が00
# 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）：スラッシュを含み、スラッシュの右が00以外

def level_checker(IPC_code):
    if type(IPC_code) is float:
        return 0
    if re.match('[A-H]', IPC_code):
        if len(IPC_code) == 1:
            return 1
        elif len(IPC_code) == 3:
            return 2
        elif len(IPC_code) == 4:
            return 3
        elif IPC_code.split('/')[1] == '00':
            return 4
        else:
            return 5
    else:
        return 0

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
    
def show_IPC(IPC_code):
    # 入力値を半角文字に変換
    IPC_code = unicodedata.normalize("NFKD",IPC_code)
    
    # 入力値がIPCのルールに合致するか確認
    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

# インデキシングフラグ列を削除
df = df.drop("インデキシングフラグ",axis=1)

# level列追加
df['level'] = df['記号'].apply(level_checker)
df.reset_index(inplace=True, drop=True)

# level確認
print('BEFORE: List of IPC level')
print(df['level'].value_counts())

# level=0の行を削除
index_nums = df[df['level']== 0].index
df.drop(index_nums, inplace = True)
df.reset_index(inplace=True, drop=True)

# 記号列のスペースを調整
df['記号'] = df['記号'].apply(lambda x : " ".join(x.split()))

# level確認
print('AFTER: List of IPC level')
print(df['level'].value_counts())

df

print(show_IPC('H01M 10/052'))
print(show_IPC('Ｈ０４Ｎ   7/137'))
print(show_IPC('Ｈ０４Ｎ   7/15'))