Regex Data

Skill: regex-data

Regex para limpieza de datos. Strings sucios → datos limpios.

Trigger

• Tenés una columna de texto con formatos inconsistentes
• Necesitás extraer emails, teléfonos, fechas o precios de texto sucio
• Hay que validar formatos de entrada (CUIL, CBU, mail)
• Los strings tienen espacios, caracteres raros o typos

Workflow LEND

1. ANALIZAR
   ├── ¿Qué datos de texto necesitás limpiar o extraer?
   ├── ¿Hay un patrón claro? (regex detectable)
   ├── Volumen: ¿100 filas o 100k filas? (performance importa)
   └── ¿Qué hacer con los que no matchean? ¿descartar, flaggear, imputar?

2. OFRECER (Menú del Senior)
   ├── A) Regex directo — .str.extract(), .str.replace(), .str.contains()
   ├── B) Pattern compilado — re.compile() + apply(), más rápido en volumen
   └── C) Fuzzy matching — Levenshtein / difflib cuando no hay patrón exacto

3. ELEGIR → confirmación

4. HACER
   ├── .str.strip().str.lower() como prerrequisito
   ├── Extraer: df['col'].str.extract(r'(\d{4}-\d{2}-\d{2})')
   ├── Reemplazar: df['col'].str.replace(r'\s+', ' ', regex=True)
   ├── Validar: df['col'].str.match(r'^[a-z0-9._%+-]+@[a-z0-9.-]+\.[a-z]{2,}$')
   ├── Pattern compilado: re.compile(r'...').findall() para apply performance
   └── Fuzzy: difflib.get_close_matches() o thefuzz para typos

5. VERIFICAR
   ├── Las extracciones son correctas (verificar muestra manual)
   ├── No se perdieron filas válidas por un regex mal escrito
   └── Los casos borde (None, NaN, strings vacíos) se manejan

Patrones

• Raw strings: r"patrón" para evitar escaping de backslashes
• Compilar para performance: re.compile() + apply() para >10k filas
• Named groups: (?P<nombre>patrón) para extraer múltiples campos
• Validar vs extraer: match() para validación, extract() para extracción
• Cuidado con greedy: * y + son greedy. Usá *? y +? para non-greedy.

Anti-patrones

• ❌ Regex sin raw string — \d en vez de r"\d" rompe la expresión
• ❌ No compilar para grandes volúmenes — 100k filas con regex inline es lento
• ❌ Regex demasiado complejo — si el regex es ilegible, partilo en pasos
• ❌ No testear casos borde — None, NaN, strings vacíos, caracteres especiales
• ❌ Greedy sin querer — .* captura todo hasta el último match, no el primero