Normalización de strings

Limpieza de datos en Java

Dennis Lee

Software Engineer

Dataset de inventario de supermercado

Trabajaremos con un dataset de inventario de supermercado en todo el capítulo
Modificaremos columnas como el nombre del producto para mostrar transformaciones

Product Name	Category	Status	Date Received	Quantity
Eggplant	Fruits & Vegetables	Discontinued	3/1/25	46
VEGETABLE OIL	Oils & Fats	Backordered	4/1/25	51
Cheese	Dairy	Active	6/1/25	78
Fresh (Organic) Carrots	Fruits & Vegetables	Discontinued	5/1/25	51
Bell Pepper Fresh	Fruits & Vegetables	Active	5/2/25	67

Por qué importa normalizar strings

Strings desordenados: el ordenador no reconoce bien el texto
Ejemplo: inventario de un súper
Solución: normalizar strings

String[] messyProducts = {
    "Eggplant ",              // Espacio extra al final
    "VEGETABLE OIL",             // Mayúsculas incoherentes
    "Fresh (Organic) *Carrots*", // Caracteres especiales
    "Bell   Pepper    Fresh",    // Espacios extra entre palabras
};

Quitar espacios al inicio y al final

String[] products = {"Eggplant ", "  Vegetable Oil", " Cheese "};
for (String product : products) {
    String cleaned = product.trim(); // Quita espacios al inicio/fin
    System.out.println(cleaned);
}

Eggplant
Vegetable Oil
Cheese

Estandarizar mayúsculas/minúsculas

List<String> products = Arrays.asList("Eggplant", "VEGETABLE OIL", "cheese");


products.stream()

        .map(String::toLowerCase) // Convertir todo a minúsculas

        .forEach(System.out::println); // Imprimir cada producto

eggplant
vegetable oil
cheese

Patrones regex

Expresiones regulares (regex): patrones especiales que coinciden con texto$^1$
[^a-zA-Z\\s]: encuentra cualquier carácter que no sea letra o espacio

// Este patrón coincide con cualquier carácter que NO es:
[       // Inicio del conjunto de caracteres
^       // NO: coincide con lo que no está en el conjunto
a-z     // cualquier letra minúscula
A-Z     // cualquier letra mayúscula
\\s     // cualquier espacio en blanco (hace falta \ extra para que Java interprete \s)
]       // Fin del conjunto

¹ https://www.datacamp.com/cheat-sheet/regular-expresso

Limpieza de caracteres especiales

String dirtyName = "Fresh (Organic) *Carrots*"; // Caracteres especiales: (, ), *


String cleaned = dirtyName.replaceAll("[^a-zA-Z\\s]", ""); // Quitar no letras


System.out.println(cleaned); // Salida: "Fresh Organic Carrots"

Fresh Organic Carrots

Limpieza de espacios múltiples

import java.util.regex.Pattern;

Pattern pattern = Pattern.compile("\\s+"); // Coincidir varios espacios


String messyProduct = "Bell   Pepper    Fresh"; // Tiene espacios extra
// Sustituir múltiples espacios por uno
String cleanedProduct = pattern.matcher(messyProduct).replaceAll(" ");


System.out.println(cleanedProduct);

Bell Pepper Fresh

Todo junto

List<String> messyProducts = Arrays.asList(
        "Eggplant ", "VEGETABLE OIL",
        "Fresh (Organic) *Carrots*", "Bell   Pepper    Fresh"
); // Nombres de productos extraídos del inventario del súper

messyProducts.stream()
        .map(s -> s.trim()                       // Quitar espacios externos
                .replaceAll("[^a-zA-Z\\s]", "")  // Quitar caracteres especiales
                .replaceAll("\\s+", " ")         // Arreglar espacios internos
                .toLowerCase())                  // Estandarizar mayúsculas/minúsculas
        .forEach(System.out::println);

Todo junto: salidas

eggplant
vegetable oil
fresh organic carrots
bell pepper fresh

¡Vamos a practicar!

Limpieza de datos en Java