Extracción eficiente de números de cadenas en Python

Extraer datos numéricos de cadenas de texto es una tarea común en la programación Python, particularmente en la limpieza de datos y el web scraping. Este artículo explora varios métodos eficientes y versátiles para lograr esto, atendiendo a diferentes escenarios y niveles de complejidad.

Tabla de Contenidos

• Método 1: Aprovechando las Expresiones Regulares
• Método 2: Utilizando List Comprehension
• Método 3: Combinando filter y isdigit()
• Método 4: Expresiones Regulares Avanzadas para Patrones Complejos
• Gestionando Variaciones en los Formatos de Número
• Conclusión

Método 1: Aprovechando las Expresiones Regulares

Las expresiones regulares (regex) ofrecen un enfoque potente y flexible, especialmente para estructuras de cadenas complejas. El módulo re de Python facilita este proceso.

import re

def extract_numbers_regex(text):
  """Extrae números de una cadena usando expresiones regulares."""
  numbers = re.findall(r'-?d+(.d+)?', text)  # Coincide con enteros y decimales, incluyendo números negativos
  return [float(num) for num in numbers]

text = "Hay -12 manzanas y 3.14 naranjas, y también 12345."
numbers = extract_numbers_regex(text)
print(numbers)  # Salida: [-12.0, 3.14, 12345.0]

Esta regex mejorada r'-?d+(.d+)?' maneja números negativos y decimales eficazmente.

Método 2: Utilizando List Comprehension

List comprehension proporciona una solución concisa y Pythonica, ideal para escenarios más simples donde los números están claramente delimitados.

def extract_numbers_list_comprehension(text):
  """Extrae enteros de una cadena usando list comprehension."""
  return [int(c) for c in text if c.isdigit()]

text = "123abc456"
numbers = extract_numbers_list_comprehension(text)
print(numbers)  # Salida: [1, 2, 3, 4, 5, 6]

Este método es eficiente para extraer dígitos individuales, pero puede no ser adecuado para números de varios dígitos o números con puntos decimales.

Método 3: Combinando filter y isdigit()

Este enfoque funcional usa filter() y isdigit() para una solución clara y legible, adecuada para casos más simples.

def extract_numbers_filter(text):
  """Extrae enteros de una cadena usando filter e isdigit()."""
  numbers = list(filter(str.isdigit, text))
  return [int(num) for num in numbers]

text = "1a2b3c4d5"
numbers = extract_numbers_filter(text)
print(numbers) #Salida: [1, 2, 3, 4, 5]

Similar a list comprehension, este método extrae dígitos individuales y no maneja formatos de número más complejos.

Método 4: Expresiones Regulares Avanzadas para Patrones Complejos

Las expresiones regulares realmente brillan al manejar patrones intrincados, como números en notación científica o con separadores de miles.

import re

def extract_numbers_complex(text):
    """Extrae números (incluyendo notación científica) de una cadena usando regex."""
    numbers = re.findall(r'-?d+(?:,d{3})*(?:.d+)?(?:[eE][+-]?d+)?', text)
    return [float(num.replace(',', '')) for num in numbers]

text = "El precio es $1,234.56 y la cantidad es 1.23e-5. Otro precio es 100,000"
numbers = extract_numbers_complex(text)
print(numbers) # Salida: ['1234.56', '1.23e-5', '100000']

Esta regex maneja comas como separadores de miles y notación científica. El replace(',', '') elimina las comas antes de la conversión a float.

Gestionando Variaciones en los Formatos de Número

Para adaptarse a varios formatos, considere estos puntos:

• Números negativos: Incluya -? al principio de su patrón regex (ej., r'-?d+').
• Notación científica: Añada (?:[eE][+-]?d+)? para manejar exponentes (como se muestra en el Método 4).
• Separadores de miles: Use (?:,d{3})* para coincidir con separadores de miles opcionales (como se muestra en el Método 4).
• Símbolos monetarios: Preprocese su cadena para eliminar los símbolos monetarios antes de la extracción, o use una regex más compleja.

Conclusión

El método óptimo depende de la complejidad de sus cadenas de entrada y la precisión deseada. Para casos simples, list comprehension o filter podrían ser suficientes. Sin embargo, para la robustez y el manejo de diversos formatos de número, las expresiones regulares son invaluables.