Tipos y texto

import pandas as pd

nombres = pd.Series(["  ana perez ", "JUAN GOMEZ", "María Díaz"])
print("como vienen:")
print(nombres.to_list())

print()
print("strip()  quita los espacios de los extremos:")
print(nombres.str.strip().to_list())

print()
print("lower()  pasa todo a minusculas:")
print(nombres.str.strip().str.lower().to_list())

print()
print("title()  deja mayuscula inicial en cada palabra:")
print(nombres.str.strip().str.title().to_list())

import pandas as pd

clientes = pd.read_csv("clientes_crudos.csv", dtype=str, keep_default_na=False)

nombre_ok = clientes["nombre"].str.strip().str.title()
correo_ok = clientes["correo"].str.strip().str.lower()

sucio_nombre = clientes["nombre"] != nombre_ok
sucio_correo = clientes["correo"] != correo_ok

print("nombres sin normalizar:", int(sucio_nombre.sum()))
print("correos sin normalizar:", int(sucio_correo.sum()))

print()
muestra = pd.DataFrame({
    "como_vino": clientes.loc[sucio_nombre, "nombre"],
    "normalizado": nombre_ok[sucio_nombre],
}).head(4)
print(muestra.to_string(index=False))

print()
print("Ojo: 'Ana Perez' y 'ana perez ' son dos claves distintas para pandas.")
print("Sin normalizar, un groupby por nombre los cuenta como dos personas.")

import pandas as pd

inventario = pd.read_csv("inventario_productos.csv")
print("dtypes tal como se leen:")
print(inventario.dtypes.to_string())

print()
cantidad = pd.to_numeric(inventario["cantidad"], errors="coerce")
precio = pd.to_numeric(inventario["precio_unitario"], errors="coerce")
print("cantidad ->", cantidad.dtype, "| ausentes:", int(cantidad.isna().sum()))
print("precio   ->", precio.dtype, "| ausentes:", int(precio.isna().sum()))

print()
print("Aca read_csv ya las habia leido como numero: to_numeric no cambio nada.")
print("Pasa cuando la basura son tokens que pandas ya reconoce (NaN, N/A).")
print("Con clientes_crudos.csv es al reves: la palabra 'treinta' deja la")
print("columna como texto y ahi to_numeric es imprescindible.")

print()
print("Lo que quedo como NaN:")
perdidos = inventario.loc[cantidad.isna() | precio.isna(),
                          ["codigo", "cantidad", "precio_unitario"]]
print(perdidos.to_string(index=False))

import pandas as pd

inventario = pd.read_csv("inventario_productos.csv")
categoria = inventario["categoria"]

print("valores distintos:", categoria.nunique(), "sobre", len(categoria), "filas")
print(categoria.value_counts().head(4).to_string())

print()
como_texto = categoria.memory_usage(deep=True)
como_categoria = categoria.astype("category").memory_usage(deep=True)
print(f"como texto     : {como_texto:>6} bytes")
print(f"como category  : {como_categoria:>6} bytes")

print()
print("Lo importante no es la memoria sino que category declara un dominio:")
print(list(categoria.astype("category").cat.categories))
print("Si aparece un valor nuevo, se vuelve NaN en vez de colarse en silencio.")

import pandas as pd

clientes = pd.read_csv("clientes_crudos.csv", dtype=str, keep_default_na=False)

limpio = clientes.assign(
    nombre=clientes["nombre"].str.strip().str.title(),
    correo=clientes["correo"].str.strip().str.lower(),
    ciudad=clientes["ciudad"].str.strip(),
    edad=pd.to_numeric(clientes["edad"].str.strip()
                       .replace(["", "NaN", "N/A", "null", "-"], None),
                       errors="coerce"),
)

print(limpio.dtypes.to_string())
print()
print(limpio.head(3).to_string(index=False))
print()
print("edad ausente tras la conversion:", int(limpio["edad"].isna().sum()))
print("nombres que quedaron distintos :",
      int((clientes["nombre"] != limpio["nombre"]).sum()))