Lo primero que tienes que hacer es escribir una función que reciba como parámetro una cadena completa, como por ejemplo "Braund, Mr. Owen Harris"
y, haciendo las operaciones que consideres oportunas, retorne sólo la parte que te interesa ("Mr"
en este caso).
Una vez que tengas esa función escrita, basta decirle a pandas que la aplique a la columna que te interesa, usando .apply()
.
Escritura de la función
Aquí es donde se puede aplicar el mecanismo o heurístico que consideres más adecuado para tus datos. Por ejemplo, un heurístico sencillo puede ser el siguiente:
- Divido la cadena por el primer punto que aparezca. Así en el ejemplo anterior quedaría separada en dos trozos que serían:
"Braund, Mr"
por un lado y "Owen Harris"
por el otro.
- Del primer trozo me quedo con la última palabra (
"Mr"
)
Este heurístico parece funcionar con los casos que he podido ver en el dataframe, aunque no se puede descartar que hubiera casos conflictivos en los que pudiera aparecer un primer punto por ejemplo como parte del apellido, en cuyo caso el heurístico fallaría. En ese caso habría que examinar mejor el dataset para dar con otro heurístico, tal vez usando expresiones regulares o directamente buscando las partículas válidas ("Mr", "Miss", "Mrs", etc.)
Pero quedémonos con el heurístico simple que he planteado, aunque sólo sea como ejemplo. Se implementaría por tanto una función tal que así:
def extraer_tratamiento(name):
if "." not in name:
return ""
# Separar por el primer punto
izda, dcha = name.split(".", 1)
# y retornar última palabra de la parte izquierda
return izda.split()[-1]
Aplicarla a la columna
Esta es la parte fácil:
>>> df.Name.apply(extraer_tratamiento)
0 Mr
1 Mrs
2 Miss
3 Mrs
4 Mr
...
886 Rev
887 Miss
888 Miss
889 Mr
890 Mr
Name: Name, Length: 891, dtype: object
Es más, como comprobación se puede aplicar unique()
al resultado anterior para que nos muestre qué casos ha encontrado. Sale:
['Mr', 'Mrs', 'Miss', 'Master', 'Don', 'Rev', 'Dr', 'Mme', 'Ms',
'Major', 'Lady', 'Sir', 'Mlle', 'Col', 'Capt', 'Countess', 'Jonkheer']
Que a priori me tiene buena pinta.
Bonus
Si por cualquier razón insistes en usar expresiones regulares, la siguiente función de "extracción" también daría el mismo resultado:
def extraer_tratamiento(name):
m = re.search(r"\w*\.", name)
if not m:
return ""
return m[0][:-1]
Aquí la expresión regular busca la primera palabra que aparezca terminada por punto. Si no encuentra ninguna, retorna la cadena vacía. Si la encuentra, retorna esa palabra menos el punto (por eso el [:-1]
)
Nota. He tomado medidas y la versión con expresiones regulares tarda aproximadamente el doble que la versión con los split()
. En cualquier caso ambas tardan muy poco (milisegundos en procesar el dataframe completo).