Модуль: Предобработка данных

Строковые данные часто требуют очистки и преобразования. Методы .str помогают очищать текстовые данные: lower(), upper(), title(), replace(), strip().

Основные методы

• df['col'].str.lower() - перевод в нижний регистр
• df['col'].str.upper() - перевод в верхний регистр
• df['col'].str.title() - заглавные буквы слов
• df['col'].str.strip() - удаление пробелов по краям (strip() принимает в качестве параметров строку с символами, которые будут удалены. По умолчанию, пробел)
• df['col'].str.replace('old', 'new') - замена подстрок
• df['col'].str.contains('pattern') - поиск подстроки
• df['col'].str.len() - длина строки

Пример

df['name'] = df['name'].str.title()

Задание

Создайте функцию clean_hero_strings(df), которая выполняет всю очистку строковых данных автоматически. Функция должна вернуть исправленный DataFrame.
В функции необходимо реализовать следующий функционал.

1. Базовая очистка

•   Удалите лишние пробелы во всех текстовых столбцах (name, alias, universe)
•   Приведите имена (name) к формату "Имя Фамилия" (Title Case)
•   Приведите псевдонимы (alias) к верхнему регистру

2. Стандартизация

Вставьте недостающие фрагменты кода

import pandas as pd


def clean_hero_strings(df):       

    # Функция очистки и стандартизации строковых полей
    # Функция возвращает исправленный DataFrame       

df = pd.read_csv("marvel_characters5.csv")

df = clean_hero_strings(df)

print(df[['name', 'alias', 'universe']])
print(df['universe'].value_counts())