Pandas cuenta con una gran funcionalidad a la hora de interactuar con texto, es super versatil si estas interesado en crear modelos de análisis de lenguaje natural.
Comencemos cargando nuestra librería y creando un diccionario con nombres de personas.
import pandas as pd
data ={'names':['Sara Moreno 34','jUAn GOMez 23','CArlos mArtinez 89','Alfredo VelaZques 3','luis Mora 56','@freddier #platzi 10',pd.NA]}
Usemos los datos del diccionario para crear nuestro DataFrame. Nuestro DataFrame contiene una columna tipo texto, con variedades de caracteres especiales, números, mayúsculas e inclusive variables nulas.
df = pd.DataFrame(data)df
names
0
Sara Moreno 34
1
jUAn GOMez 23
2
CArlos mArtinez 89
3
Alfredo VelaZques 3
4
luis Mora 56
5
@freddier #platzi 10
6
<NA>
Para usar las funciones asociadas a texto usamos str en nuestro DataFrame, por ejemplo, si se quiere colocar el texto en minúscula, basta con escribir:
df['names'].str.lower()
names
0
sara moreno 34
1
juan gomez 23
2
carlos martinez 89
3
alfredo velazques 3
4
luis mora 56
5
@freddier #platzi 10
6
<NA>
Para mayúsculas igualmente:
df['names'].str.upper()
names
0
SARA MORENO 34
1
JUAN GOMEZ 23
2
CARLOS MARTINEZ 89
3
ALFREDO VELAZQUES 3
4
LUIS MORA 56
5
@FREDDIER #PLATZI 10
6
<NA>
O si queremos solo la primera letra en mayúscula:
df['names'].str.capitalize()
names
0
Sara moreno 34
1
Juan gomez 23
2
Carlos martinez 89
3
Alfredo velazques 3
4
Luis mora 56
5
@freddier #platzi 10
6
<NA>
Para contar la longitud de nuestro texto usamos:
df['names'].str.len()
0
14
1
13
2
18
3
19
4
12
5
20
6
<NA>
Para dividir el texto por espacios usamos split y definimos el carácter por
el que queremos dividir, en este caso, un espacio vacío ' ' o '#':
df['names'].str.split(' ')
names
0
['Sara', 'Moreno', '34']
1
['jUAn', 'GOMez', '23']
2
['CArlos', 'mArtinez', '89']
3
['Alfredo', 'VelaZques', '3']
4
['luis', 'Mora', '56']
5
['@freddier', '#platzi', '10']
6
<NA>
df['names'].str.split('#')
names
0
['Sara Moreno 34']
1
['jUAn GOMez 23']
2
['CArlos mArtinez 89']
3
['Alfredo VelaZques 3']
4
['luis Mora 56']
5
['@freddier ', 'platzi 10']
6
<NA>
Para seleccionar los primeros o últimos 5 caracteres usamos:
df['names'].str[:5]
names
0
Sara
1
jUAn
2
CArlo
3
Alfre
4
luis
5
@fred
6
<NA>
df['names'].str[-5:]
names
0
no 34
1
ez 23
2
ez 89
3
ues 3
4
ra 56
5
zi 10
6
<NA>
Podemos reemplazar una secuencia de caracteres por otra mediante:
df['names'].str.replace('Alfredo','Antonio')
names
0
Sara Moreno 34
1
jUAn GOMez 23
2
CArlos mArtinez 89
3
Antonio VelaZques 3
4
luis Mora 56
5
@freddier #platzi 10
6
<NA>
También podemos buscar una secuencia de texto en específico, en este caso,
'ara':
df['names'].str.findall('ara')
names
0
['ara']
1
[]
2
[]
3
[]
4
[]
5
[]
6
<NA>
También podemos crear un filtro basándonos en una secuencia de texto en
específico, en este caso, las filas que tengan 'or':
df['names'].str.contains('or')
names
0
True
1
False
2
False
3
False
4
True
5
False
6
<NA>
Así mismo, podemos contar el número de ocurrencias de un caracter en específico,
por ejemplo, cuántas veces aparece la letra 'a':
df['names'].str.lower().str.count('a')
names
0
2
1
0
2
0
3
1
4
1
5
1
6
<NA>
Existen comandos más avanzados usando Regex, por ejemplo, si quiero extraer los
caracteres numéricos:
df['names'].str.extract('([0-9]+)', expand=False)
names
0
34
1
23
2
89
3
3
4
56
5
10
6
nan
O, por ejemplo, si quiero extraer las menciones '@xxxx' del texto:
