Normalizar cadenas (trimws y mayúsculas)

En esta lección dejarás textos en una forma común antes de compararlos.

trimws quita los espacios de los extremos y tolower pasa todo a minúsculas.

El código de ejemplo comprueba que dos escrituras distintas del mismo texto se consideran iguales.

Con el español hay un caso que tolower no resuelve: los acentos. «Cancion» y «canción» siguen siendo distintas, y para un buscador probablemente deberían coincidir. En R eso se hace con iconv(x, to = "ASCII//TRANSLIT"), aunque su resultado depende del sistema, o con el paquete stringi, que es consistente en todas las plataformas. Y conviene recordar que la eñe no es una ene con tilde, sino una letra propia.

Hay una advertencia adicional: tolower depende de la configuración regional, y en turco la i mayúscula no es la I. Si tu código puede ejecutarse en cualquier parte, stringi::stri_trans_tolower(x, locale = "es") deja explícito el idioma.

La regla práctica es normalizar al entrar el dato. En análisis de datos, esa limpieza inicial de nombres y códigos suele ocupar más tiempo que el análisis en sí.