¿Cómo limpio texto escrito de varias formas en pandas? strip, lower y un mapa

En el módulo anterior hiciste la lista de problemas y Marisol contestó lo que solo ella sabía. Ahora empiezas a arreglar, y la regla de todo este módulo es una: cada arreglo es una línea de código que lee el dato crudo y deja el limpio. Nada de buscar y reemplazar a mano.

El primer problema de la lista es la ciudad: 12 formas de escribir 4 ciudades. Antes de ver la solución, predice qué hacen tres atajos que mucha gente prueba primero.

Tres líneas, en este orden

La receta tiene tres pasos, y el orden importa porque cada uno deja el texto más parejo para el siguiente:

1. str.strip() quita los espacios del principio y del final. "cdmx " se vuelve "cdmx".
2. str.lower() convierte todo a minúsculas. "CDMX" y "Cdmx" se vuelven "cdmx".
3. map() con un diccionario que tiene cada forma que encontraste y el nombre oficial que le corresponde.

Los dos primeros pasos los decides tú: nadie va a defender que "Puebla" y "puebla" son ciudades distintas. El mapa es distinto. Ahí van decisiones que salieron de preguntar, como que en esta hoja "oaxaca" quiere decir la capital, Oaxaca de Juárez, y no el estado. Por eso el mapa es una lista escrita y visible, no un truco escondido en el código: cualquiera puede leerla y decir "esa no".

¿Por qué no quitar también los acentos y ya? Porque "oaxaca de juarez" y "oaxaca de juárez" quedarían iguales, sí, pero el nombre oficial lleva acento, y el reporte lo tiene que llevar. El mapa ya resuelve las dos formas sin perder nada.

Aquí está la receta completa sobre la hoja de ventas, un paso a la vez. Abre cada paso cuando hayas pensado qué va a salir.

Fíjate en el último paso. Sin él, la receta está incompleta: el mapa funciona con las formas que viste hoy, y la hoja de abril va a traer alguna nueva. El conteo de huecos después de map() es tu alarma. Si sale 0, el mapa cubrió todo; si sale 1, hay una forma que no conocías y tienes que decidir (o preguntar) qué ciudad es antes de seguir.

¿Tu columna tiene formas que no sabes a qué valor oficial mandar? Pregúntale a tu Maestro cómo armar el mapa.

Inténtalo

El padrón de socios tiene el mismo problema en municipio: hay "pluma hidalgo", "Pluma Hidalgo " con espacio, "San Agustin Loxicha" sin acento y "Sta. María Huatulco" abreviado. Los municipios oficiales son cuatro: San Agustín Loxicha, Candelaria Loxicha, Pluma Hidalgo y Santa María Huatulco. Si no te sale, pídele a tu Maestro una pista sin la respuesta.

Con la columna así, un conteo de socios por municipio por fin dice la verdad: San Agustín Loxicha 11, Pluma Hidalgo 8, Candelaria Loxicha 6 y Santa María Huatulco 5. Antes de limpiar, Pluma Hidalgo salía partida en tres renglones y San Agustín en dos.