Pandas¶

Introducción¶

Pandas es una biblioteca de Python ampliamente utilizada para el análisis y manipulación de datos. Proporciona estructuras de datos eficientes y flexibles para trabajar con datos tabulares, como hojas de cálculo o bases de datos, lo que la convierte en una herramienta poderosa para el procesamiento y análisis de datos en el ámbito de la ciencia de datos y la ingeniería.

Las dos estructuras de datos principales proporcionadas por Pandas son:

1. DataFrame: Un DataFrame es una estructura de datos bidimensional similar a una tabla o una hoja de cálculo. Consiste en filas y columnas etiquetadas, lo que permite almacenar y manipular datos de manera tabular. Los datos en un DataFrame pueden ser heterogéneos, lo que significa que pueden contener diferentes tipos de datos, como números, cadenas, fechas, entre otros.

2. Series: Una Serie es una estructura de datos unidimensional similar a una matriz o una lista, pero con etiquetas asociadas a cada elemento. Puedes pensar en una Serie como una columna de un DataFrame. Las Series son útiles para trabajar con una sola columna de datos.

Pandas ofrece una amplia gama de funcionalidades para realizar operaciones de limpieza, filtrado, manipulación, agregación, visualización y análisis de datos. Algunas de las tareas comunes que se pueden realizar con Pandas incluyen:

• Cargar y guardar datos desde/hacia diferentes formatos como CSV, Excel, JSON, SQL, etc.
• Filtrar y seleccionar datos basados en condiciones específicas.
• Realizar operaciones aritméticas y estadísticas en datos.
• Agrupar y resumir datos.
• Trabajar con fechas y tiempo.
• Unir y combinar múltiples conjuntos de datos.
• Visualización de datos utilizando gráficos y trazados.

Ejemplo¶

Mostraremos un ejemplo completo de cómo utilizar pandas con el conjunto de datos "iris":

In [1]:

# Importa las bibliotecas necesarias
import pandas as pd

# Importa las bibliotecas necesarias import pandas as pd

In [2]:

# Cargar el conjunto de datos iris desde la biblioteca Seaborn
url='https://drive.google.com/file/d/1xj1ynrjuZrEKuoCTtD603UyzqCw_byfD/view?usp=drive_link'
url='https://drive.google.com/uc?id=' + url.split('/')[-2]

iris = pd.read_csv(url, sep="," )
iris.head()

# Cargar el conjunto de datos iris desde la biblioteca Seaborn url='https://drive.google.com/file/d/1xj1ynrjuZrEKuoCTtD603UyzqCw_byfD/view?usp=drive_link' url='https://drive.google.com/uc?id=' + url.split('/')[-2] iris = pd.read_csv(url, sep="," ) iris.head()

Out[2]:

	sepal_length	sepal_width	petal_length	petal_width	species
0	5.1	3.5	1.4	0.2	setosa
1	4.9	3.0	1.4	0.2	setosa
2	4.7	3.2	1.3	0.2	setosa
3	4.6	3.1	1.5	0.2	setosa
4	5.0	3.6	1.4	0.2	setosa

Explora el conjunto de datos:

In [3]:

# Columnas del dataframe
print(iris.columns)

# Columnas del dataframe print(iris.columns)

Index(['sepal_length', 'sepal_width', 'petal_length', 'petal_width',
       'species'],
      dtype='object')

In [4]:

# Muestra información general sobre el conjunto de datos
print(iris.info())

# Muestra información general sobre el conjunto de datos print(iris.info())

<class 'pandas.core.frame.DataFrame'>
RangeIndex: 150 entries, 0 to 149
Data columns (total 5 columns):
 #   Column        Non-Null Count  Dtype  
---  ------        --------------  -----  
 0   sepal_length  150 non-null    float64
 1   sepal_width   150 non-null    float64
 2   petal_length  150 non-null    float64
 3   petal_width   150 non-null    float64
 4   species       150 non-null    object 
dtypes: float64(4), object(1)
memory usage: 6.0+ KB
None

In [5]:

# Estadísticas descriptivas del conjunto de datos
print(iris.describe())

# Estadísticas descriptivas del conjunto de datos print(iris.describe())

       sepal_length  sepal_width  petal_length  petal_width
count    150.000000   150.000000    150.000000   150.000000
mean       5.843333     3.057333      3.758000     1.199333
std        0.828066     0.435866      1.765298     0.762238
min        4.300000     2.000000      1.000000     0.100000
25%        5.100000     2.800000      1.600000     0.300000
50%        5.800000     3.000000      4.350000     1.300000
75%        6.400000     3.300000      5.100000     1.800000
max        7.900000     4.400000      6.900000     2.500000

In [6]:

# Cuenta la cantidad de muestras para cada especie
print(iris['species'].value_counts())

# Cuenta la cantidad de muestras para cada especie print(iris['species'].value_counts())

setosa        50
versicolor    50
virginica     50
Name: species, dtype: int64

In [7]:

# Valores nulos
print(iris.isna().sum())

# Valores nulos print(iris.isna().sum())

sepal_length    0
sepal_width     0
petal_length    0
petal_width     0
species         0
dtype: int64

In [8]:

# Verificar si hay datos duplicados en todo el DataFrame
duplicados_totales = iris.duplicated()
print("Datos duplicados en todo el DataFrame:")
print(duplicados_totales.sum())

# Verificar si hay datos duplicados en todo el DataFrame duplicados_totales = iris.duplicated() print("Datos duplicados en todo el DataFrame:") print(duplicados_totales.sum())

Datos duplicados en todo el DataFrame:
1

In [9]:

# Eliminar Duplicados en todo el DataFrame
iris = iris.drop_duplicates()

# Eliminar Duplicados en todo el DataFrame iris = iris.drop_duplicates()

Acceso a datos en el DataFrame

In [10]:

# Acceso a una columna específica (por ejemplo, 'sepal_length')
iris['sepal_length'].head()

# Acceso a una columna específica (por ejemplo, 'sepal_length') iris['sepal_length'].head()

Out[10]:

0    5.1
1    4.9
2    4.7
3    4.6
4    5.0
Name: sepal_length, dtype: float64

In [11]:

# Acceso a múltiples columnas (por ejemplo, 'sepal_length' y 'species')
iris[['sepal_length', 'species']].head()

# Acceso a múltiples columnas (por ejemplo, 'sepal_length' y 'species') iris[['sepal_length', 'species']].head()

Out[11]:

	sepal_length	species
0	5.1	setosa
1	4.9	setosa
2	4.7	setosa
3	4.6	setosa
4	5.0	setosa

In [12]:

# Acceso a una fila específica (por ejemplo, la primera fila)
print(iris.loc[0])

# Acceso a una fila específica (por ejemplo, la primera fila) print(iris.loc[0])

sepal_length       5.1
sepal_width        3.5
petal_length       1.4
petal_width        0.2
species         setosa
Name: 0, dtype: object

In [13]:

# Acceso a un valor específico (por ejemplo, el valor en la fila 0 y columna 'sepal_length')
print(iris.loc[0, 'sepal_length'])

# Acceso a un valor específico (por ejemplo, el valor en la fila 0 y columna 'sepal_length') print(iris.loc[0, 'sepal_length'])

5.1

Filtrar filas basadas en una condición:

In [14]:

# Filtrar filas basadas en una condición (por ejemplo, seleccionar solo las flores de especie 'setosa')
condicion = (iris['species'] == 'setosa')
filas_filtradas = iris[condicion]
print("\nFilas filtradas:")
filas_filtradas.head()

# Filtrar filas basadas en una condición (por ejemplo, seleccionar solo las flores de especie 'setosa') condicion = (iris['species'] == 'setosa') filas_filtradas = iris[condicion] print("\nFilas filtradas:") filas_filtradas.head()

Filas filtradas:

Out[14]:

	sepal_length	sepal_width	petal_length	petal_width	species
0	5.1	3.5	1.4	0.2	setosa
1	4.9	3.0	1.4	0.2	setosa
2	4.7	3.2	1.3	0.2	setosa
3	4.6	3.1	1.5	0.2	setosa
4	5.0	3.6	1.4	0.2	setosa

Agregar una nueva columna calculada:

In [15]:

# Agregar una nueva columna calculada (por ejemplo, calcular el índice de relación entre la longitud del sépalo y el ancho del sépalo)
iris['sepal_ratio'] = iris['sepal_length'] / iris['sepal_width']
print("\nCon una nueva columna calculada:")
iris.head()

# Agregar una nueva columna calculada (por ejemplo, calcular el índice de relación entre la longitud del sépalo y el ancho del sépalo) iris['sepal_ratio'] = iris['sepal_length'] / iris['sepal_width'] print("\nCon una nueva columna calculada:") iris.head()

Con una nueva columna calculada:

Out[15]:

	sepal_length	sepal_width	petal_length	petal_width	species	sepal_ratio
0	5.1	3.5	1.4	0.2	setosa	1.457143
1	4.9	3.0	1.4	0.2	setosa	1.633333
2	4.7	3.2	1.3	0.2	setosa	1.468750
3	4.6	3.1	1.5	0.2	setosa	1.483871
4	5.0	3.6	1.4	0.2	setosa	1.388889

Ordenar el conjunto de datos por una columna específica:

In [16]:

# Ordenar el conjunto de datos por una columna específica (por ejemplo, ordenar por la longitud del sépalo en orden descendente)
iris_ordenado = iris.sort_values(by='sepal_length', ascending=False)
print("\nConjunto de datos ordenado:")
iris_ordenado.head()

# Ordenar el conjunto de datos por una columna específica (por ejemplo, ordenar por la longitud del sépalo en orden descendente) iris_ordenado = iris.sort_values(by='sepal_length', ascending=False) print("\nConjunto de datos ordenado:") iris_ordenado.head()

Conjunto de datos ordenado:

Out[16]:

	sepal_length	sepal_width	petal_length	petal_width	species	sepal_ratio
131	7.9	3.8	6.4	2.0	virginica	2.078947
135	7.7	3.0	6.1	2.3	virginica	2.566667
117	7.7	3.8	6.7	2.2	virginica	2.026316
118	7.7	2.6	6.9	2.3	virginica	2.961538
122	7.7	2.8	6.7	2.0	virginica	2.750000

Realizar una operación de agregación por grupo:

In [17]:

# Agrupar por 'species' y calcular la media de cada característica
media_por_especie = iris.groupby('species').mean()
media_por_especie

# Agrupar por 'species' y calcular la media de cada característica media_por_especie = iris.groupby('species').mean() media_por_especie

Out[17]:

	sepal_length	sepal_width	petal_length	petal_width	sepal_ratio
species
setosa	5.006000	3.428000	1.462000	0.246000	1.470188
versicolor	5.936000	2.770000	4.260000	1.326000	2.160402
virginica	6.604082	2.979592	5.561224	2.028571	2.232132

Pivotear una tabla

In [18]:

# Realizar un pivot para obtener la media de la longitud del sépalo para cada especie
tabla_pivot = pd.pivot_table(iris, values='sepal_length', index='species', aggfunc='mean')
print("\nPivot Table - Media de la longitud del sépalo para cada especie:")
tabla_pivot

# Realizar un pivot para obtener la media de la longitud del sépalo para cada especie tabla_pivot = pd.pivot_table(iris, values='sepal_length', index='species', aggfunc='mean') print("\nPivot Table - Media de la longitud del sépalo para cada especie:") tabla_pivot

Pivot Table - Media de la longitud del sépalo para cada especie:

Out[18]:

	sepal_length
species
setosa	5.006000
versicolor	5.936000
virginica	6.604082