Partie 2 · Texte

Les variables textuelles et les expressions régulières

Le texte brut est plein d'incohérences : majuscules, espaces parasites, ponctuation. Avant de grouper ou joindre, on normalise.

Opération	pandas (`.str`)	Python pur
Minuscules / majuscules	`.str.lower()` / `.upper()`	`s.lower()` / `s.upper()`
Espaces début/fin	`.str.strip()`, `.lstrip()`	`s.strip()`, `s.lstrip()`
Remplacer	`.str.replace(motif, rempl)`	`s.replace()` ou `re.sub()`
Extraire	`.str.extract(regex)`	`re.search(regex, s).group(1)`
Tester la présence	`.str.contains(regex)`	`re.search(regex, s) is not None`

Une expression régulière décrit un motif : \d{4} = 4 chiffres, les parenthèses capturent la partie à extraire. flags=re.IGNORECASE ignore la casse. Une variable binaire (feature engineering) se crée en transformant la présence d'un mot-clé en 0/1.

Vérifie que tu as compris

Que fait .str.extract(r'(\d{4})') sur « Produit-1234-A » ?

Vérifie que tu as compris

Quelle méthode crée un masque indiquant si un motif est présent ?

À toi de coder

Normaliser, extraire, détecter

Nettoie une liste de produits (exemple ajouté, inspiré du TP). propres : minuscules et sans espaces de début/fin. numeros : les 4 chiffres du code (regex (\d{4})). est_code : 1 si le mot « code » apparaît (sans tenir compte de la casse), sinon 0.

import re
bruts = ["  Code-1234-A ", "PRODUIT 5678", " code 9012  "]
propres = [t.___().lower() for t in bruts]
numeros = [re.search(r"(\d{4})", t).group(___) for t in bruts]
est_code = [1 if re.search("code", t, flags=re.___) else 0 for t in bruts]

Ctrl/⌘+Entrée

À toi de coder

Supprimer la ponctuation

La ponctuation parasite empêche de regrouper « Paris. » et « Paris ». Remplace d'abord les points par des espaces (comme dans le TP), puis supprime les virgules et points d'exclamation avec une regex (re.sub), et enfin les espaces multiples avec split() et join.

import re
texte = "Bonjour.tout le monde, ca va!!"
etape1 = texte.replace(___, " ")
etape2 = re.sub(r"[,!]", ___, etape1)
final = " ".join(etape2.___())

Ctrl/⌘+Entrée