Chybějící kapitola (#41)

* Chybějící kapitola

* Chybějící soubor

Author: pesikj

ziskavani-dat/regularni-vyrazy/assets/zpravy.csv

@@ -0,0 +1,5 @@
+datum;zapis
+2022-04-25;Pacient 6407156800 trpěl bolestí zad a byl poslán na vyšetření. 
+2022-04-25;Pacientka 8655057477 přišla na kontrolu po zranění kotníku.
+2022-04-26;Do ordinace telefonovala pacientka 7752126712, které byl elektronicky vydán recept na Paralen.
+2022-04-2X;Sourozencům 1210015895 a 0902112398 a rodiči 8011058253 byla vystavena žádanka na PCR test.

ziskavani-dat/regularni-vyrazy/entry.yml

@@ -3,3 +3,4 @@ lead: Ovládneme regulární výrazy, které nám umožní dělat kouzla při do
 sections:
   - regularni-vyrazy
   - python-re
+  - regularni-vyrazy-pandas

ziskavani-dat/regularni-vyrazy/regularni-vyrazy-pandas.md

@@ -0,0 +1,39 @@
+## Regulární výrazy v Pandas
+
+Regulární výrazy můžeme využívat i v modulu Pandas. Uvažujme, že máme lékařské zprávy uložené v souboru [zpravy.csv](assets/zpravy.csv). Zkusme si soubor stáhnout a nahrát jako tabulku v Pandas.
+
+```py
+import pandas
+
+df = pandas.read_csv("zpravy.csv", sep=";")
+```
+
+Jako první vyzkoušíme metodu `str.contains()`, která ověří, zda je ve sloupci skupina znaků, která odpovídá regulárnímu výrazu. Můžeme tedy například zkontrolovat, zda je ve sloupci `zapis` skupina znaku, která odpovídá rodnému číslu.
+
+```py
+df["obsahuje_rodne_cislo"] = df["zapis"].str.contains(r"\d{9,10}")
+```
+
+Komplexnější informací je počet rodných čísel, která jsou v zápise zmíněna. K jeho získání můžeme použít metodu `str.count()`, která vrátí počet skupin znaků, které odpovídají regunárnímu výrazu, jako celé číslo.
+
+```py
+df["pocet_rodnych_cisel"] = df["zapis"].str.count(r"\d{9,10}")
+```
+
+Pokud chceme rodná čísla vyhledat, můžeme použít metodu `findall()`. Ta vrátí všechny skupiny znaků, které odpovídají regulárnímu výrazu. Protože takových skupin může být více, vloží metoda jednotlivé nalezené řetězce do seznamu.
+
+```py
+df["rodna_cisla"] = df["zapis"].str.findall(r"\d{9,10}")
+```
+
+Zápisy můžeme též anonymizovat, k tomu využijeme metodu `str.replace()`.
+
+```py
+df["anonymni_zapis"] = df["zapis"].str.replace(r"\d{9,10}", "XXX")
+```
+
+A provádět můžeme i kontrolu formátu, k tomu slouží dvojice metod `str.match()` a `str.fullmatch()`. Rozdíl v nich je stejný jako u stejnojmenných funkcí modulu `re` - první stačí, že regulární výraz se shoduje s začátkem řetězce, druhá kontroluje celý řetězec a nesmí tam tedy být nic navíc.
+
+```py
+df["datum_ok"] = df["datum"].str.match(r"\d{4}-\d{2}-\d{2}")
+```