Procesado de cadenas de texto en Python

Procesado de texto

Los usuarios que llegan a Python desde otros lenguajes de programación a veces encuentran problemático que no existan funciones para la obtención de subcadenas de texto. Debido a que este tipo de análisis se han de realizar con cierta frecuencia. Por ejemplo, en R se dispone de la función substring con la que se puede obtener fácilmente subcadenas de texto o reemplazar estas por otras. La falta de estas funciones no es realmente un problema, ya que existen múltiples herramientas para trabajar con cadenas de texto en Python. Así se pueden obtener, reemplazar, buscar o dividir cadenas de texto basándose en diferentes criterios.

A continuación, se repasarán algunos de los métodos disponibles para trabajar con cadenas de texto en Python. Pudiendo llenar el hueco de funciones como substring que existen en otros lenguajes.

Python y las cadenas de texto

En Python, una cadena de texto no es más que un array con caracteres alfanuméricos. Por lo que de dispone exactamente de las mismas herramientas que cualquier otro tipo de arrays. Una cadena de texto se puede crear fácilmente escribiendo un texto entre comillas simples o dobles:

msg = "Python"

Para acceder a cualquier de los caracteres se ha de escribir la posición entre corchetes. Recordando que las posiciones comienzan en 0. Así, para acceder al primer carácter solamente se ha de escribir msg[0] y para acceder al segundo msg[1]. Por otro lado, acceder al último se puede hacer fácilmente escribiendo: msg[-1].

msg[0]  # P
msg[1]  # y
msg[-1] # n

Las cadenas de texto en Python

Hasta ahora se ha mostrado como acceder a caracteres de la cadena. Pero generalmente suele ser más interesante poder obtener subcadenas. En Python esto se ha de utilizando una notación que se llama slicing. En esta se ha de indicar los índices de la posición inicial y la posterior a la final separados por dos puntos. En el caso de que se desee conseguir la subcadena "Py" en el ejemplo anterior solamente se ha de escribir msg[0:2].

Utilizando la notación slicing los indicies pueden ser omitidos. Cuando se omite el primero la subcadena comienza desde el principio de la original. Cuando se omite el segundo la subcadena irá hasta el final de la original. Si se omiten los dos se obtiene una copia de la cadena original.

msg[:4] # Pyth
msg[4:] # on
msg[:] # Python

Además de esto se puede utilizar un tercer índice para indicar saltos en las posiciones. De este modo solamente se seleccionarán los caracteres situados cada n posiciones, donde n es el tercer índice. Por ejemplo, para obtener los caracteres que se encuentran situados en las posiciones pares de la cadena se puede utilizar:

msg[::2]	# Pto

Esta notación es muy útil en las situaciones donde se importan datos desde archivos en los que cada línea tiene una estructura fija. Es decir, los valores se encuentran siempre en la misma posición. A modo de ejemplo se pueden sumar los valores de dos columnas con el siguiente código:

file = ['   12   23',
        '   23   44',
        '  123   15']

for line in file:
    print(line[2:5], '+', line[8:10], '=', int(line[2:5]) + int(line[8:10]))
 12 + 23 = 35
 23 + 44 = 67
123 + 15 = 138

Separación de una cadena de texto es subcadenas basándose en un separador

El análisis en el ejemplo anterior se ha podido realizar porque los valores se encuentran siempre en la misma columna. Esto no es siempre lo habitual y muchas veces se encuentra separadas mediante un carácter especial (como puede ser en el caso de los archivos CSV para los que ya existen funciones en pandas). En estos casos se puede utilizar el método split para separa las cadenas en subcadenas. Solamente se ha de indicar el separador y se obtendrá un vector con tantas cadenas como valores existan. Por defecto la cadena que separa los valores no se incluirá en las subcadenas obtenidas.

msg = 'Hello, World!'
msg.split(',')
['Hello', ' World!']

Utilizando este método se puede ver, a modo de ejemplo, cómo se podría procesar un archivo en formato CSV:

file = ['12,23',
        '23,44',
        '123,15']

for line in file:
    data = line.split(',')
    total = 0

    for item in data:
        total += int(item)

    print(total)
35
67
138

Búsqueda de cadenas de texto en Python

Otra tarea habitual con cadenas de texto es encontrar la posición de subcadenas. Esta tarea se puede realizar utilizando el método find(). A este método solamente se le ha de indicar la subcadena a buscar y devolverá la posición de la primera ocurrencia o -1 si no existe ninguna. Para localizar la posición de la primera 'o' en la cadena 'Hello, World!' se puede escribir:

msg.find('o')

con lo que se obtendrá 5. Si se desea buscar desde una posición data solamente se ha de indicar como segundo paramentro esta posción. Así para encontrar la posición de la segunda 'o' se puede escribir

msg.find('o', 6)

Obteniéndose 9, para buscar la siguiente se escribiría

msg.find('o', 10)

donde el resultado es -1, ya que no existe más que dos 'o' en la cadena. Este proceso se puede automatizar mediante un código como el siuguente:

msg = 'Hello, World!'
pos = []
last = 0

while msg.find('o', last) != -1:
    last = msg.find('o', last) + 1
    pos.append(last)

print(pos)
[5, 9]

Si solamente es necesario saber si una cadena contiene o no otra, sin importar la posición ni el número de ocurrencias, se puede utilizar el operador in. Para esto se ha de escribir la primera cadena, el operado y la segunda, con lo que se obtienen un valor lógico True o False dependiendo se la situación.

'a' in ‘Python’ 	# False
'o' in ‘Python’ 	# True

Conclusiones

En esta entrada de han visto algunos de las herramientas disponibles en Python para el tratamiento de cadenas de texto. Básicamente en Python las cadenas de texto son arrays con caracteres alfanuméricos, por lo que no es necesario disponer de funciones especificas. El tratamiento se pude realizar de la misma manera que cualquier otro tipo de arrays. Siendo innecesaria la existencia de funciones como substring de R.

Sin votos
Por favor espera...

Deja un comentario

Tu dirección de correo electrónico no será publicada. Los campos obligatorios están marcados con *