.
a) Introducción
Pandas es una de las librerías más utilizadas para ciencia de datos en Python. Es fácil de
usar, está basada en NumPy, con la que comparte muchas funciones y propiedades.
Con Pandas podemos leer y extraer de archivos, transformarlos y analizarlos, calcular
estadísticas, correlaciones y más.
Para empezar a utilizar pandas, debemos instalar la librería (si estamos trabajando en un
entorno local) con pip install pandas, y luego importarlo en nuestro código:
import pandas as pd
pd es un alias habitual cuando importamos esta librería.
El nombre PanDas deriva “panel data”, un término de econometría.
.b) Series y dataframes
Los dos componentes primartios de pandas son las series y el dataframe.
Una serie es una columna y un dataframes es una tabla multidimensional a partir de una
colección de series.
Por ejemplo, el siguiente dataframe esta formado por dos series: edades y alturas.
Podemos pensar en las series como un vector o array unidimensional, mientras que un
dataframes es un array multidimensional.
La principal diferencia entre las estructuras en numpy y pandas, es que los dataframes y
series es que, además de almacenar los datos, nos proporcionan los ‘labels’, que nos
permiten acceder a los datos a través de los nombres de las columnas y las filas.
.c) Creando un dataframe
Creemos un dataframe con nombres de columnas para explorar sus funciones. La manera
más fácil de hacerlo es a partir de un diccionario:
data = {
‘edades’: [18, 18, 25, 43, 36],
‘alturas’: [172, 180, 175, 167, 170]
}
Cada clave es una columna, mientras que los valores de la lista son los datos de esa
columna.
A continuación, debemos pasar el diccionario a dataframe, por medio del constructor de
pandas:
df = pd.DataFrame(data)
El dataframe crea automáticamente un número como índice para cada una de las filas.
print(df)
Estos índices se pueden modificar al crear el dataframe:
df = pd.DataFrame(data, index=[‘Juan’,’Ana’,’Clara’,’Fabio’,’Susana’])
print(df)
Accedemos a cada fila con la función loc(), que utiliza corchetes para especificar el índice.
print(df.loc[‘Clara’])
edades 25
alturas 175
Name: Clara, dtype: int64
.d) Indexando y slicing
Podemos seleccionar una columna específica con los corchetes. El resultado será un
objeto de tipo serie:
print(df[‘edades’])
Si quisiéramos seleccionar varias columnas, podemos especificarlas en una lista. En este
caso, el resultado será un dataframe:
print(df[['edades','alturas']])
Podemos utilizar este método cuando solamente nos interesan algunas de las columnas.
.d.i. Slicing
Pandas utiliza la función iloc() para seleccionar datos basándose en su índice numérico.
Funciona de la misma forma que en Python.
print(df.iloc[1]) # segunda fila
edades 18
alturas 180
Name: Ana, dtype: int64
print(df.iloc[:3]) #primeras 3 filas
print(df.iloc[1:3]) #filas 2 a 3
iloc() sigue las mismas reglas cque el slicing de listas en Python.
.e) Condicionales
Podemos seleccionar los datos basados en condiciones.
Por ejemplo, selecciones todas las filas con edades mayores a 18 y altura mayor a 170:
df2 = df[(df['edades'] > 18) & (df['alturas'] > 170)]
print(df2)
También podemos utilizar el operador | (or) para combinar condicionales.
Leyendo datos
Es muy común tener los datos en formato planilla o csv.
Pandas permite convertir archivos de estos tipos directamente en dataframes. Por
ejemplo:
df3 = pd.read_csv('pandas\estadistica.csv')
print(df3)
Es importante proporcionar la ruta correcta al archivo para poder abrirlo. Podrás encontrar
el archivo de ejemplo con el material de esta unidad.
Pandas también soporta archivos JSON, SQL, xlsx y otros formatos.
Explorando los datos
Podemos obtener las primeras filas de datos con la función head()
print(df3.head())
Por defecto, devuelve las 5 primeras líneas. Podemos especificar el número de filas que
necesitamos con un argumento, por ejemplo: df3.head(10).
De igual manera, podemos obtener las últimas filas con la función tail().
La función info() nos proporciona información esencial sobre nuestro dataset, como
número de filas, columnas y tipos de datos.
print(df3.info())
<class 'pandas.core.frame.DataFrame'>
RangeIndex: 70 entries, 0 to 69
Data columns (total 3 columns):
# Column Non-Null Count Dtype
--- ------ -------------- -----
0 Nombre 70 non-null object
1 Apellido 70 non-null object
2 Salario 70 non-null int64
dtypes: int64(1), object(2)
memory usage: 1.8+ KB
None
.f) Creando columnas
Podemos agregar una columna a nuestro dataframe cuyo contenido dependa del valor de
otra de las columnas, combinando funciones de pandas y numpy.
Supongamos que queremos agregar una columna adicional, que indique qué empleados
recibirán un bono poniendo la palabra ‘BONO’ si le corresponde, o nada si no le
corresponde. La condición es que su salario sea inferior a $280.000.
La funcion where() de numpy permite asignar un valor según la siguiente sintaxis:
np.where(condición, valor por True, valor por False)
Entonces:
df3['Bono'] = np.where(df3['Salario'] < 280, 'BONO', '')
print(df3['Bono'])
0 BONO
1 BONO
2 BONO
3 BONO
4 BONO
...
65
66
67
68
69
Name: Bono, Length: 70, dtype: object
.g) Estadística
Podemos obtener un resumen estadístico a partir de las columnas numéricas de nuestro
dataset: cantidad de filas, promedio, desviación standard, mínimo, primer, segundo y
tercer cuartil y valor máximo.
df3.describe()
Salario
count 70.000000
mean 282.642857
std 18.553515
min 250.000000
25% 269.250000
50% 281.000000
75% 294.750000
max 328.000000
También podemos obtener estas estadísticas especificando al columna:
print(df['alturas'].describe())
count 5.000000
mean 172.800000
std 4.969909
min 167.000000
25% 170.000000
50% 172.000000
75% 175.000000
max 180.000000
Name: alturas, dtype: float64
.h) Agrupamiento
Podemos obtener la cantidad de personas que tienen el mismo sueldo con la función de
agrupamiento:
print(df3.groupby('Bono')['Salario'].count())
Bono
36
BONO 34
# 36 personas no recibirán bono, 34 personas lo recibirán
De manera similar, podemos obtener la suma de los salarios, mínimo, maximo, etc.
aplicando las diferentes funciones al agrupamiento elegido.
