tablas-python 0.1.6__py3-none-any.whl → 0.1.7__py3-none-any.whl

tablas_python/__init__.py

@@ -33,7 +33,7 @@ from utils.data_helpers import (
     conciliar_tablas,
 )
 
-__version__ = "0.1.6"
+__version__ = "0.1.7"
 
 __all__ = [
     "TableManager",

{tablas_python-0.1.6.dist-info → tablas_python-0.1.7.dist-info}/METADATA

@@ -1,6 +1,6 @@
 Metadata-Version: 2.4
 Name: tablas-python
-Version: 0.1.6
+Version: 0.1.7
 Summary: Suite modular para extraer, transformar, conciliar y exportar tablas desde PDF, Excel y SQLite a pandas.
 Author: Reciba
 License: MIT

{tablas_python-0.1.6.dist-info → tablas_python-0.1.7.dist-info}/RECORD

@@ -1,12 +1,12 @@
 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=Mv4si2uyD3QbZhtF_yxx7sL07kyQ1tpriTr3M-NXU-E,1807
+tablas_python/__init__.py,sha256=rRl-rkkTAYNe1hf9oip0JSZXynKU6dAud-RU-EBvkvE,1807
 tablas_python/cli.py,sha256=3BModRFfT8WFkbCSxM9cF_oBK87FetPMGm5F0GTZGNo,1957
-tablas_python-0.1.6.dist-info/licenses/LICENSE,sha256=DQi0EoD04d2_-pnEKrC4WmcmgR6O0WQcJdvma9ILoFQ,1063
+tablas_python-0.1.7.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=xjywNCZ-fIAKjxeOPkYkKDwkLUKtcbRtMuGLd1utnkE,24460
+utils/data_helpers.py,sha256=PgQGIblr4gZMuK3Z83CzUcbhS0Q41JResjvHtwDYPjA,25235
 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-0.1.6.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,,
+tablas_python-0.1.7.dist-info/METADATA,sha256=5lSqhkAWZTJanhZMN0x8BgVSGfWqxQuk5mSAmfKJgzM,13611
+tablas_python-0.1.7.dist-info/WHEEL,sha256=YVMoNqKzERt-wjUZwJ33xBGAwnFl-4cqbYkTtWa4itE,91
+tablas_python-0.1.7.dist-info/entry_points.txt,sha256=l29nooItcUpsFzN5LmxM1b-j0qih61vJB9tX8KUwlMg,89
+tablas_python-0.1.7.dist-info/top_level.txt,sha256=Foud-Tbf5pviUJmp7wc3v24IjIyypkvbcZt7HkrWvss,28
+tablas_python-0.1.7.dist-info/RECORD,,

utils/data_helpers.py

@@ -14,17 +14,20 @@ import numpy as np
 # 1. PARSEO Y LIMPIEZA DE NÚMEROS Y FECHAS
 # ==========================================
 
-def limpiar_numero(val: Any, default: Any = np.nan) -> Union[float, int, Any]:
+def limpiar_numero(val: Any, default: Any = 0) -> Union[float, int, Any]:
     """
     Convierte cualquier valor numérico, moneda o porcentaje a float o int de forma precisa.
+    Si el valor está vacío, es nulo o texto sin número (ej: '-', 'N/A', 'null'), retorna 0 (o el default indicado).
+    
     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("")            -> 0
+        limpiar_numero("-")           -> 0
+        limpiar_numero("N/A")         -> 0
+        limpiar_numero(None)          -> 0
         limpiar_numero("$ 1.250.000") -> 1250000.0
         limpiar_numero("(450,50)")    -> -450.50
     """
@@ -34,7 +37,7 @@ def limpiar_numero(val: Any, default: Any = np.nan) -> Union[float, int, Any]:
         return float(val) if isinstance(val, float) else val
 
     s = str(val).strip()
-    if not s:
+    if not s or s.lower() in ['', '-', '--', 'n/a', 'na', 'null', 'none', 's/i', 's/n']:
         return default
 
     # 1. Detectar negativos con paréntesis: (123.45) o (123,45)
@@ -80,6 +83,13 @@ def limpiar_numero(val: Any, default: Any = np.nan) -> Union[float, int, Any]:
         if num_puntos > 1:
             # Múltiples puntos: separador de miles latino (ej: 1.000.000)
             s = s.replace('.', '')
+        else:
+            # 1 solo punto (ej: 250.000, 39.990 vs 0.056, 12.5)
+            partes = s.split('.')
+            if len(partes) == 2:
+                # Si no empieza con '0' y tiene exactamente 3 dígitos tras el punto, es separador de miles (ej: 250.000)
+                if partes[0] not in ['0', '-0'] and len(partes[1]) == 3:
+                    s = s.replace('.', '')
 
     try:
         num = float(s)
@@ -90,17 +100,22 @@ def limpiar_numero(val: Any, default: Any = np.nan) -> Union[float, int, Any]:
         return default
 
 
-def limpiar_columnas_numericas(df: pd.DataFrame, columnas: Union[str, List[str]]) -> pd.DataFrame:
+def limpiar_columnas_numericas(
+    df: pd.DataFrame,
+    columnas: Union[str, List[str]],
+    rellenar_nulos: Any = 0
+) -> pd.DataFrame:
     """
-    Convierte una o más columnas a tipo numérico (float) limpiando caracteres extra.
+    Convierte una o más columnas a tipo numérico (float) limpiando caracteres extra
+    y rellenando valores vacíos o nulos con 0 (o el valor indicado).
     """
     df_out = df.copy()
     if isinstance(columnas, str):
         columnas = [columnas]
     for col in columnas:
         if col in df_out.columns:
-            df_out[col] = df_out[col].apply(limpiar_numero)
-            df_out[col] = pd.to_numeric(df_out[col], errors='coerce')
+            df_out[col] = df_out[col].apply(lambda x: limpiar_numero(x, default=rellenar_nulos))
+            df_out[col] = pd.to_numeric(df_out[col], errors='coerce').fillna(rellenar_nulos)
     return df_out