tablas-python 0.1.4__py3-none-any.whl → 0.1.6__py3-none-any.whl

helpers/__init__.py

@@ -7,7 +7,7 @@ from .display_helper import DisplayHelper, mostrar_tabla
 from utils.batch_processor import unir_archivos_carpeta
 from utils.excel_writer import escribir_en_excel
 from utils.validator import validar_dataframe, reporte_calidad, detectar_duplicados
-from utils.data_helpers import buscar_v, conciliar_tablas, obtener_celda, modificar_celda
+from utils.data_helpers import buscar_v, conciliar_tablas, obtener_celda, modificar_celda, formato_clp, formato_porcentaje, formato_moneda
 
 __all__ = [
     "TableManager",
@@ -23,6 +23,9 @@ __all__ = [
     "conciliar_tablas",
     "obtener_celda",
     "modificar_celda",
+    "formato_clp",
+    "formato_porcentaje",
+    "formato_moneda",
     "DisplayHelper",
     "mostrar_tabla",
 ]

tablas_python/__init__.py

@@ -18,6 +18,7 @@ from utils.data_helpers import (
     limpiar_columnas_numericas,
     normalizar_fechas,
     formato_moneda,
+    formato_clp,
     formato_porcentaje,
     formato_miles,
     formatear_dataframe,
@@ -32,7 +33,7 @@ from utils.data_helpers import (
     conciliar_tablas,
 )
 
-__version__ = "0.1.4"
+__version__ = "0.1.6"
 
 __all__ = [
     "TableManager",
@@ -54,6 +55,7 @@ __all__ = [
     "limpiar_columnas_numericas",
     "normalizar_fechas",
     "formato_moneda",
+    "formato_clp",
     "formato_porcentaje",
     "formato_miles",
     "formatear_dataframe",

{tablas_python-0.1.4.dist-info → tablas_python-0.1.6.dist-info}/METADATA

@@ -1,6 +1,6 @@
 Metadata-Version: 2.4
 Name: tablas-python
-Version: 0.1.4
+Version: 0.1.6
 Summary: Suite modular para extraer, transformar, conciliar y exportar tablas desde PDF, Excel y SQLite a pandas.
 Author: Reciba
 License: MIT

{tablas_python-0.1.4.dist-info → tablas_python-0.1.6.dist-info}/RECORD

@@ -1,12 +1,12 @@
-helpers/__init__.py,sha256=hopndlywciR50FKi6W6Lo_cAOP_YyPsQV3xj8hfkH_Y,899
+helpers/__init__.py,sha256=BsK9M_sc93ax32ZcWPJZMkaMYeaDCiV44BYT43xF6Wk,1015
 helpers/display_helper.py,sha256=i0--Txkjc9__IIKwdkmpx98vzwM_Sekr0RzxvVGEPYA,7749
 helpers/table_manager.py,sha256=85OZqMdDqgBBJaln2ehb3-t7RWS1Gowo6aud_zqVHAo,19063
-tablas_python/__init__.py,sha256=xVyYUKPzia_CaMiVFM_WxtIBx-8Y06ltIAWFD0U-cVY,1771
+tablas_python/__init__.py,sha256=Mv4si2uyD3QbZhtF_yxx7sL07kyQ1tpriTr3M-NXU-E,1807
 tablas_python/cli.py,sha256=3BModRFfT8WFkbCSxM9cF_oBK87FetPMGm5F0GTZGNo,1957
-tablas_python-0.1.4.dist-info/licenses/LICENSE,sha256=DQi0EoD04d2_-pnEKrC4WmcmgR6O0WQcJdvma9ILoFQ,1063
-utils/__init__.py,sha256=duEZSrdPZggUMdpJqJsNMQ5aLRaFcONBvhsdJuhCToo,2004
+tablas_python-0.1.6.dist-info/licenses/LICENSE,sha256=DQi0EoD04d2_-pnEKrC4WmcmgR6O0WQcJdvma9ILoFQ,1063
+utils/__init__.py,sha256=jt2AT8wZrsUp45KZtNb2suIuXcGwDr0B2g9UzTE7zKU,2040
 utils/batch_processor.py,sha256=rE59qkb2sp5J0E5NU77U-CF82Aa-ukrjN2druwgS2Uk,4162
-utils/data_helpers.py,sha256=U6RTiJd0NpqYtk8kQa37jaJBMCay0CUnduREjaoPLM0,23526
+utils/data_helpers.py,sha256=xjywNCZ-fIAKjxeOPkYkKDwkLUKtcbRtMuGLd1utnkE,24460
 utils/excel_extractor.py,sha256=0WUhkV5eu9uUusU8zSHQB1ujFG7eQVqI-go4zqxmPFU,18364
 utils/excel_writer.py,sha256=zH_Mtu3Cr_ND_wSHKFyvzH3j16gjVoANpM3dVFXKpr0,6991
 utils/exporter.py,sha256=Oo9Y6dXTg_7t6n824xoxv8d9yuhdHZNWfwLLXvSvtMw,4661
@@ -15,8 +15,8 @@ utils/pdf_extractor.py,sha256=3JRMqnEfhBVaUOeYfiNH1rReC4EoSbzDwk919x6647w,4768
 utils/sqlite_extractor.py,sha256=mvKlKY-nsd5cV73nn3xFoqg5dgagPJceRDJfPLG0cbs,5033
 utils/table_cleaner.py,sha256=ncyiunqpVdKParFcRKwQbCqyKZgpyKRN0aUM0Oug9wU,10465
 utils/validator.py,sha256=0UywK_D510ZQCcSkhFRKhEuw48788NM_RFVC-bIFZkE,5837
-tablas_python-0.1.4.dist-info/METADATA,sha256=jpBHw3DHlXyFY2qoyOofl65SS0PTXuvRATwthrL0qZI,13611
-tablas_python-0.1.4.dist-info/WHEEL,sha256=YVMoNqKzERt-wjUZwJ33xBGAwnFl-4cqbYkTtWa4itE,91
-tablas_python-0.1.4.dist-info/entry_points.txt,sha256=l29nooItcUpsFzN5LmxM1b-j0qih61vJB9tX8KUwlMg,89
-tablas_python-0.1.4.dist-info/top_level.txt,sha256=Foud-Tbf5pviUJmp7wc3v24IjIyypkvbcZt7HkrWvss,28
-tablas_python-0.1.4.dist-info/RECORD,,
+tablas_python-0.1.6.dist-info/METADATA,sha256=LnkQ0TZo7GFl9JUZUSX-r0wMByivt2WN_DADRngTHf8,13611
+tablas_python-0.1.6.dist-info/WHEEL,sha256=YVMoNqKzERt-wjUZwJ33xBGAwnFl-4cqbYkTtWa4itE,91
+tablas_python-0.1.6.dist-info/entry_points.txt,sha256=l29nooItcUpsFzN5LmxM1b-j0qih61vJB9tX8KUwlMg,89
+tablas_python-0.1.6.dist-info/top_level.txt,sha256=Foud-Tbf5pviUJmp7wc3v24IjIyypkvbcZt7HkrWvss,28
+tablas_python-0.1.6.dist-info/RECORD,,

utils/__init__.py

@@ -17,6 +17,7 @@ from .data_helpers import (
     limpiar_columnas_numericas,
     normalizar_fechas,
     formato_moneda,
+    formato_clp,
     formato_porcentaje,
     formato_miles,
     formatear_dataframe,
@@ -56,6 +57,7 @@ __all__ = [
     "limpiar_columnas_numericas",
     "normalizar_fechas",
     "formato_moneda",
+    "formato_clp",
     "formato_porcentaje",
     "formato_miles",
     "formatear_dataframe",

utils/data_helpers.py

@@ -14,27 +14,30 @@ import numpy as np
 # 1. PARSEO Y LIMPIEZA DE NÚMEROS Y FECHAS
 # ==========================================
 
-def limpiar_numero(val: Any) -> Union[float, int, Any]:
+def limpiar_numero(val: Any, default: Any = np.nan) -> Union[float, int, Any]:
     """
-    Convierte cualquier cadena con formato numérico, moneda o porcentaje a float o int.
-    Maneja formatos latinoamericanos (1.234,56) y anglosajones (1,234.56),
+    Convierte cualquier valor numérico, moneda o porcentaje a float o int de forma precisa.
+    Maneja formatos latinoamericanos (1.234,56 / 0,056), anglosajones (1,234.56 / 0.056),
     símbolos ($ / € / USD / CLP / %), y negativos entre paréntesis (100) -> -100.
     
     Ejemplos:
+        limpiar_numero("0,056")       -> 0.056
+        limpiar_numero("9,999")       -> 9.999
+        limpiar_numero("89,949")      -> 89.949
+        limpiar_numero("0,056%")      -> 0.056
         limpiar_numero("$ 1.250.000") -> 1250000.0
-        limpiar_numero("18,5 %")      -> 18.5
-        limpiar_numero("(450.50)")    -> -450.50
+        limpiar_numero("(450,50)")    -> -450.50
     """
     if pd.isna(val) or val is None:
-        return np.nan
+        return default
     if isinstance(val, (int, float, np.number)):
-        return val
+        return float(val) if isinstance(val, float) else val
 
     s = str(val).strip()
     if not s:
-        return np.nan
+        return default
 
-    # Detectar negativos con paréntesis: (123.45)
+    # 1. Detectar negativos con paréntesis: (123.45) o (123,45)
     es_negativo = False
     if s.startswith("(") and s.endswith(")"):
         es_negativo = True
@@ -43,46 +46,48 @@ def limpiar_numero(val: Any) -> Union[float, int, Any]:
         es_negativo = True
         s = s[1:].strip()
 
-    # Remover símbolos de monedas y palabras comunes
+    # 2. Remover símbolos de monedas y texto innecesario
     s = re.sub(r'[\$\€\£\¥\s]|USD|CLP|EUR|UF', '', s, flags=re.IGNORECASE)
     # Remover %
     s = s.replace('%', '').strip()
 
     if not s:
-        return np.nan
+        return default
 
-    # Determinar si el separador decimal es coma o punto
-    # Caso 1: Tiene comas y puntos (ej: 1.234.567,89 o 1,234,567.89)
+    # 3. Determinar separadores decimales y de miles
+    # Caso A: Tiene comas y puntos (ej: 1.234.567,89 o 1,234,567.89)
     if '.' in s and ',' in s:
         if s.rfind(',') > s.rfind('.'):
-            # Formato latino: 1.234,56 -> quitar puntos y coma a punto
+            # Formato latino: 1.234.567,89 -> quitar puntos y reemplazar coma por punto
             s = s.replace('.', '').replace(',', '.')
         else:
-            # Formato anglo: 1,234.56 -> quitar comas
+            # Formato anglo: 1,234,567.89 -> quitar comas
             s = s.replace(',', '')
+
+    # Caso B: Solo tiene coma(s)
     elif ',' in s:
-        # Solo tiene comas. Si tiene 1 coma y max 2 decimales al final: 1234,56
-        partes = s.split(',')
-        if len(partes) == 2 and len(partes[1]) <= 2:
+        num_comas = s.count(',')
+        if num_comas == 1:
+            # 1 sola coma: SIEMPRE es separador decimal en español (ej: 0,056 | 9,999 | 89,949 | 123,45)
             s = s.replace(',', '.')
         else:
-            # Es separador de miles: 1,000,000
+            # Múltiples comas: separador de miles anglosajón (ej: 1,000,000)
             s = s.replace(',', '')
+
+    # Caso C: Solo tiene punto(s)
     elif '.' in s:
-        # Solo tiene puntos. Si tiene múltiples puntos: 1.000.000
-        if s.count('.') > 1:
+        num_puntos = s.count('.')
+        if num_puntos > 1:
+            # Múltiples puntos: separador de miles latino (ej: 1.000.000)
             s = s.replace('.', '')
-        # Si tiene 1 punto y exactamente 3 dígitos después, puede ser miles (ej: 1.500)
-        # pero en float estándar suele ser decimal. Lo dejamos a float directo.
 
     try:
         num = float(s)
         if es_negativo:
             num = -num
-        # Si no tiene decimales reales, retornar float o int
         return num
     except ValueError:
-        return val
+        return default
 
 
 def limpiar_columnas_numericas(df: pd.DataFrame, columnas: Union[str, List[str]]) -> pd.DataFrame:
@@ -141,6 +146,18 @@ def formato_moneda(val: Any, simbolo: str = "$", decimales: int = 0, separador_m
     return f"{simbolo} {texto}" if simbolo else texto
 
 
+def formato_clp(val: Any, simbolo: str = "$") -> str:
+    """
+    Formatea un número o texto a Pesos Chilenos (CLP) con separador de miles y sin decimales.
+    
+    Ejemplos:
+        formato_clp(1500000)              -> "$ 1.500.000"
+        formato_clp("1500000")            -> "$ 1.500.000"
+        formato_clp(250000, simbolo="CLP") -> "CLP 250.000"
+    """
+    return formato_moneda(val, simbolo=simbolo, decimales=0, separador_miles=".")
+
+
 def formato_porcentaje(
     val: Any,
     decimales: Optional[int] = None,
@@ -219,10 +236,14 @@ def formatear_dataframe(
     for col, tipo in reglas.items():
         if col not in df_out.columns:
             continue
-        if tipo == 'moneda':
-            df_out[col] = df_out[col].apply(lambda x: formato_moneda(x, decimales=0))
+        if tipo in ['moneda', 'clp', 'moneda_clp']:
+            df_out[col] = df_out[col].apply(lambda x: formato_clp(x))
         elif tipo == 'moneda_2dec':
             df_out[col] = df_out[col].apply(lambda x: formato_moneda(x, decimales=2))
+        elif tipo == 'usd':
+            df_out[col] = df_out[col].apply(lambda x: formato_moneda(x, simbolo="USD $", decimales=2, separador_miles=","))
+        elif tipo == 'uf':
+            df_out[col] = df_out[col].apply(lambda x: formato_moneda(x, simbolo="UF", decimales=2, separador_miles="."))
         elif tipo == 'porcentaje':
             df_out[col] = df_out[col].apply(lambda x: formato_porcentaje(x))
         elif tipo == 'porcentaje_1dec':