Scribd
Cargar
73 vistas21 páginas

Manual Pandas

Pandas es una librería de Python diseñada para trabajar con datos tabulares a través de estructuras como Series y DataFrame. Proporciona herramientas para la creación, manipulación, acceso y análisis de datos, incluyendo métodos para gestionar datos faltantes y realizar transformaciones. Aunque este manual cubre funcionalidades comunes, Pandas ofrece una amplia gama de herramientas adicionales para el análisis de datos.

Cargado por

entera2013
Derechos de autor
© © All Rights Reserved
Nos tomamos en serio los derechos de los contenidos. Si sospechas que se trata de tu contenido, reclámalo aquí.
Formatos disponibles
Descarga como PDF, TXT o lee en línea desde Scribd
73 vistas21 páginas

Manual Pandas

Pandas es una librería de Python diseñada para trabajar con datos tabulares a través de estructuras como Series y DataFrame. Proporciona herramientas para la creación, manipulación, acceso y análisis de datos, incluyendo métodos para gestionar datos faltantes y realizar transformaciones. Aunque este manual cubre funcionalidades comunes, Pandas ofrece una amplia gama de herramientas adicionales para el análisis de datos.

Cargado por

entera2013
Derechos de autor
© © All Rights Reserved
Nos tomamos en serio los derechos de los contenidos. Si sospechas que se trata de tu contenido, reclámalo aquí.
Formatos disponibles
Descarga como PDF, TXT o lee en línea desde Scribd
Está en la página 1/ 21

Pandas: Una librería de Python que proporciona

estructuras de datos como Series y DataFrame,


especialmente diseñadas para trabajar con datos
tabulares y heterogéneos. Además, proporciona
herramientas intuitivas para el análisis y la
manipulación de datos.
Estructura de datos en Pandas

Las dos estructura principales de pandas son: Series y DataFrame.

Series DataFrame
Es un objeto unidimensional de Se corresponde con una tabla de 2
estilo array, que contiene una dimensiones. Tiene un índice de fila y
secuencia de valores del mismo tipo otro de columna; se podría considerar
y un array asociado de etiquetas de como un diccionario de objetos Series
datos, correspondiente a su índice. que comparten todos el mismo índice.

Series A

index
DataFrame
index

data
Series B

index data

data
Creación de Series

import pandas as pd

Con un array Con un array de numpy

Con un diccionario de Python

Con algunos elementos de un diccionario

Con un escalar
Acceso a los elementos de una
Serie

Cada elemento de un objeto Series tiene un identificador único denominado


index label.

s["num4"] s.loc["num2"] s[0] s.iloc[3]

12 4 2 12
Por atributo Por posición

s[['num1','num2']] s[[2,3]]
Creación de un DataFrame

import pandas as pd

# Creación de un DataFrame inicializando con un diccionario

# Creación de un DataFrame inicializándolo con una lista de listas de Python

Las columnas e
índices deben
especificarse por
separado.
Acceso a los elementos de un
DataFrame

Indexación, selección, filtrado de las columnas de un DF

DF

df["edad"] df[["edad","estatura"]] df["edad"]>40

df[df["edad"]>40]
Acceso a los elementos de un
DataFrame

Indexación, selección, filtrado de las filas de un DF

DF

df.loc["Juan"] df.iloc[0] df.iloc[0:2]

df.loc[["Juan","Lucia"]]
Reindexación en un DataFrame

Reindexación de un DF

reindex puede alterar el


índice (fila), las
columnas o ambas cosas.

Las columnas se pueden reindexar con la palabra clave columns:

B
Métodos de ordenamiento en
Series y DataFrame

obj.sort_index() obj.sort_values()

Con un dataframe es posible ordenar por el índice de cada eje:

df.sort_index()
DF df.sort_index(axis="columns")

ordena alfabéticamente
Eliminación de ejes en un
DataFrame

Eliminación de un eje de un DF
Cargar, copiar y guardar un
DataFrame

Cargar un
DataFrame

# Copia del DataFrame df_ventas en df_copy

Copiar un
DataFrame

Nota: Al modificar un elemento de


df_copy no se modifica df_ventas

Guardar el DataFrame
como CSV y JSON
Métodos de información
general

info(): Permite obtener


una visión general del
contenido de un DF.

Columns: Retorna un objeto


DF index con los nombres de
todas las columnas del DF.

dtypes: Devuelve una Serie


con el tipo de dato de cada
columna.

df_ventas.info() df_ventas.columns

df_ventas.index df_ventas.shape
RangeIndex(start=0, stop=7, step=1) (7, 7)

df_ventas.head() Muestra los 5 primeros registros del DF


df_ventas.dtypes

df_ventas.tail() Muestra los 5 últimos registros del DF


Métodos estadísticos
descriptivos

DF

Muestra un resumen estadístico


descriptivo, principalmente de las
columnas numéricas de un DF.
Valores únicos y recuentos de
valores

unique: Calcula un array de valores únicos.

value_counts: Devuelve valores únicos como


índice y frecuencias como valores.
Aplicación y asignación de
funciones

DF

Con la función se esta multiplicando la


cantidad por el precio unitario Con la función se esta sumando 5 a
cada elemento de la columna cantidad
Modificaciones de un
DataFrame

DF

# Añadir una nueva columna al DataFrame # Añadir una nueva columna calculada al DataFrame

# Añadir una nueva columna creando un DataFrame nuevo

# Eliminar una nueva columna del DataFrame nuevo

Nuevo DataFrame (df_new)


Gestión de datos faltantes en
un DataFrame

DF

df_empleados.isna()
El método isna nos proporciona
una serie booleana con True,
donde los valores son nulos.
Gestión de datos faltantes en
un DataFrame

Filtrar datos faltantes

En un DataFrame, dropna En Series, dropna devuelve la serie solo


elimina por defecto cualquier fila que con los valores de datos e índice no
contiene un valor faltante. nulos.

df_empleados.dropna()
s.dropna() s[s.notna()]
Gestión de datos faltantes en
un DataFrame

Rellenado de datos ausentes

Se suele emplear el método fillna, el cual permite rellenar los “huecos” de


distintas maneras. Reemplaza los valores ausentes por otro valor indicado.

valor indicado

df.fillna(0)

df.fillna({1: 0.5, 2: 0.9}) # Imputación de datos utilizando las estadísticas de la media.


Transformación de datos

Método Replace Valor a reemplazar

Valor de
reemplazo

Método Rename

Replace mediante
listas o diccionarios
NOTA

Los temas abordados en este manual corresponden a


algunos de los métodos y funcionalidades que se suelen
emplear con mayor frecuencia en el análisis de datos con
pandas. Sin embargo, la librería pandas ofrece una
amplia variedad de herramientas adicionales que
pueden explorarse a mayor profundidad según las
necesidades de cada proyecto.

También podría gustarte