1

Tengo un cojunto de datos de identificacion fiscal de empresas.

from io import StringIO
import pandas as pd

csv =StringIO(u'''\
NIT, TYPE
8600219985, company
9001899451, company
19479647, person
19065171, company
79896134, person
87111760819, person
''')

y deseo formatear los registros que coincidan con TYPE = company, para que quede de la siguiente manera:

   NIT             TYPE
860.021.998-5   company
900.189.945-1   company
19479647        person
190.651.71      company
79896134        person
87111760819     person

Alguna idea de como hacer esto con python pandas??

1
  • Yan para aclarar, ¿la idea es dejar como están los que son "person" y los que son "company" parsearlos de una forma u otra en función de si tienen 8 o 10 dígitos? No veo forma de hacer esto que no sea trabajando con una función Python jugando con slicing y unión de cadenas... Si se aplicara a toda la columna se podría hacer durante el parseo del csv, si depende de la columna TYPE como muestras en el ejemplo hay que hacerlo después.
    – FJSevilla
    el 10 may. 2018 a las 20:43

2 respuestas 2

2

Podemos escribir una función que reciba una cadena con el número sin formatear y lo devuelva formateado. En este caso, a falta de más información, supongo que la elección del formato depende de si el número tiene 10 cifras o menos:

def format_number(n):
  if len(n) == 10:
    return "{}.{}.{}-{}".format(n[0:3], n[3:6], n[6:9], n[9])
  elif len(n)<10:
    return "{}.{}.{}".format(n[0:3], n[3:6], n[6:])
  else:     
    return n    # Resto de casos no sé cómo tratarlos, lo dejo como estaba

Ahora podemos aplicar a cada fila una función (lambda) que sustituya el NIT por lo que devuelva la función format_number, para las filas en las que TYPE sea "company".

csv =StringIO(u'''\
NIT, TYPE
8600219985, company
9001899451, company
19479647, person
19065171, company
79896134, person
87111760819, person
''')

# Leer el csv (corrijo el nombre de las columnas para que no
# contengan espacios indeseados
df = pd.read_csv(csv, dtype=str, names=["NIT", "TYPE"], header=0)

# Aplicar la transformación deseada en la columna NIT
df.NIT = df.apply(lambda x: format_number(x.NIT) if "company" in x.TYPE else x.NIT, axis=1)

Resultado:

Dataframe

1

Trabajando con Pandas y expresiones regulares

La idea aquí es la definición de una lista diccionario: patrones que va a contener un patrón de expresión regular y una función anónima de reemplazo. Y aplicamos la lista sobre el dataframe solo en los casos en que df['TYPE'] == ' company'. A nivel de pandas usamos str.replace() para efectuar el reemplazo, por ejemplo si se encuentra el patrón:

^(\d{3})(\d{3})(\d{3})(\d{1,2})$

es decir, desde el principio de la cadena tres grupos de tres números y un grupo de 1 o 2 números más y, si hay coincidencia, obtendremos cada uno de estos grupos por separado y podremos formatearlos así:

"{0}.{1}.{2}-{3}".format(m.group(1),m.group(2),m.group(3),m.group(4))

from io import StringIO
import pandas as pd

csv = StringIO(u'''\
NIT, TYPE
8600219985, company
9001899451, company
19479647, person
19065171, company
79896134, person
87111760819, person
''')

df = pd.read_csv(csv, dtype=str, names=["NIT", "TYPE"], header=0)
patrones = [
              {"patron": r"^(\d{3})(\d{3})(\d{3})(\d{1,2})$", "repl": lambda m: "{0}.{1}.{2}-{3}".format(m.group(1),m.group(2),m.group(3),m.group(4))},
              {"patron": r"^(\d{3})(\d{3})(\d{2})$", "repl": lambda m: "{0}.{1}.{2}".format(m.group(1),m.group(2),m.group(3))}              
  ]

for p in patrones:
  df.loc[df['TYPE'] == ' company', 'NIT'] = df.loc[df['TYPE'] == ' company', 'NIT'].str.replace(p["patron"], p["repl"])

print(df)

             NIT      TYPE
0  860.021.998-5   company
1  900.189.945-1   company
2       19479647    person
3     190.651.71   company
4       79896134    person
5    87111760819    person

Tu Respuesta

By clicking “Publica tu respuesta”, you agree to our terms of service and acknowledge you have read our privacy policy.

¿No es la respuesta que buscas? Examina otras preguntas con la etiqueta o formula tu propia pregunta.