Saltar al contenido principal
InicioTutorialesPython

Tutorial de pandas en Python: la guía definitiva para principiantes

¿Todo preparado para comenzar tu viaje de pandas? Aquí tienes una guía paso a paso sobre cómo empezar.
abr 2024  · 15 min leer

pandas es posiblemente el paquete de Python más importante para el análisis de datos. Con más de 100 millones de descargas al mes, es el paquete estándar de facto para la manipulación de datos y el análisis exploratorio de datos. Su capacidad para leer y escribir en una amplia lista de formatos lo convierte en una herramienta versátil para los profesionales de la ciencia de datos. Sus funciones de manipulación de datos la convierten en una herramienta muy accesible y práctica para agregar, analizar y limpiar datos. 

En nuestra entrada del blog sobre cómo aprender pandas, hablamos del camino de aprendizaje que puedes seguir para dominar este paquete. Este tutorial para principiantes cubrirá todos los conceptos básicos e ilustrará las diferentes funciones de pandas. También puedes consultar nuestro curso sobre los fundamentos de pandas para obtener más información. 

Este artículo está dirigido a principiantes con conocimientos básicos de Python y sin experiencia previa con pandas para ayudarte a empezar.

¿Qué es pandas?

pandas es un paquete de manipulación de datos en Python para datos tabulares. Es decir, datos en forma de filas y columnas, también conocidos como DataFrames. Intuitivamente, puedes pensar en un DataFrame como en una hoja de Excel. 

La funcionalidad de pandas incluye desde transformaciones de datos, como ordenar filas y tomar subconjuntos, hasta calcular estadísticas de resumen como la media, remodelar DataFrames y unir DataFrames. pandas funciona bien con otros paquetes populares de ciencia de datos de Python, a menudo denominados ecosistema PyData, entre ellos

¿Para qué se utiliza pandas?

pandas se utiliza en todo el flujo de trabajo del análisis de datos. Con pandas, puedes:

  • Importar conjuntos de datos desde bases de datos, hojas de cálculo, archivos de valores separados por comas (CSV) y mucho más.
  • Limpiar los conjuntos de datos, por ejemplo, al tratar los valores que faltan.
  • Ordenar los conjuntos de datos y remodelar su estructura en un formato adecuado para el análisis.
  • Agregar datos calculando estadísticas de resumen, como la media de las columnas, la correlación entre ellas y mucho más.
  • Visualizar conjuntos de datos y descubrir perspectivas.

pandas también contiene funciones para el análisis de series temporales y el análisis de datos de texto.

Principales ventajas del paquete pandas

Sin duda, pandas es una poderosa herramienta de manipulación de datos que incluye varias ventajas, entre ellas:

  • Hecho para Python: Python es el lenguaje más popular del mundo para el machine learning y la ciencia de datos.
  • Menos prolijo por unidad de operaciones: el código escrito en pandas es menos prolijo, por lo que requiere menos líneas de código para obtener la salida deseada. 
  • Visión intuitiva de los datos: pandas ofrece una representación de datos excepcionalmente intuitiva que facilita la comprensión y el análisis de los datos.
  • Amplio conjunto de funciones: admite un amplio conjunto de operaciones, desde el análisis exploratorio de datos, el tratamiento de valores perdidos, el cálculo de estadísticas, la visualización de datos univariantes y bivariantes, y mucho más.
  • Trabaja con grandes datos: pandas maneja grandes conjuntos de datos con facilidad. Ofrece velocidad y eficacia al trabajar con conjuntos de datos del orden de millones de registros y cientos de columnas, en función de la máquina.

¿Cómo instalar pandas?

Antes de profundizar en su funcionalidad, instalemos primero pandas. Para evitar este paso, regístrate para obtener una cuenta gratuita de DataCamp y utiliza DataCamp Workspace, un IDE basado en la nube que viene con pandas (junto con los principales paquetes de ciencia de datos de Python) preinstalado.

Empieza con DataCamp Workspace

Sigue este tutorial con DataCamp Workspace

Más Información

Instalar pandas

Instalar pandas es sencillo; solo tienes que utilizar el comando pip install en tu terminal. 

pip install pandas

Importar datos en pandas

Para empezar a trabajar con pandas, importa el paquete pandas Python como se muestra a continuación. Al importar pandas, el alias más común para pandas es pd.

import pandas as pd

Importar archivos CSV

Utiliza read_csv() con la ruta al archivo CSV para leer un archivo de valores separados por comas (para más detalles, consulta nuestro tutorial sobre la importación de datos con read_csv()).

df = pd.read_csv("diabetes.csv")

Esta operación de lectura carga el archivo CSV diabetes.csv para generar un objeto pandas Dataframe df. A lo largo de este tutorial, verás cómo manipular dichos objetos DataFrame. 

Importar archivos de texto

La lectura de archivos de texto es similar a la de archivos CSV. El único matiz es que debes especificar un separador con el argumento sep, como se muestra a continuación. El argumento separador se refiere al símbolo utilizado para separar filas en un DataFrame. La coma (sep = ","), el espacio en blanco (sep = "\s"), el tabulador (sep = "\t") y los dos puntos (sep = ":") son los separadores más utilizados. Aquí \s representa un único carácter de espacio en blanco.

df = pd.read_csv("diabetes.txt", sep="\s")

Importar archivos Excel (una sola hoja)

Leer archivos excel (tanto XLS como XLSX) es tan fácil como la función read_excel(), con la ruta del archivo como entrada.

df = pd.read_excel('diabetes.xlsx')

También puedes especificar otros argumentos, como header para especificar qué fila se convierte en la cabecera del DataFrame. Tiene un valor predeterminado de 0, que denota la primera fila como cabecera o nombre de columna. También puedes especificar los nombres de las columnas como una lista en el argumento names. El argumento index_col (de forma predeterminada es None) puede utilizarse si el archivo contiene un índice de filas.

Nota: En un DataFrame o Serie de pandas, el índice es un identificador que señala la ubicación de una fila o columna en un DataFrame de pandas. En pocas palabras, el índice etiqueta la fila o columna de un DataFrame y te permite acceder a una fila o columna concreta mediante su índice (lo verás más adelante). El índice de fila de un DataFrame puede ser un rango (por ejemplo, de 0 a 303), una serie temporal (fechas o marcas de tiempo), un identificador único (por ejemplo, employee_ID en una tabla employees) u otros tipos de datos. Para las columnas, suele ser una cadena (que denota el nombre de la columna).

Importar archivos Excel (varias hojas)

Leer archivos Excel con varias hojas no es tan diferente. Solo tienes que especificar un argumento adicional, sheet_name, en el que puedes pasar una cadena para el nombre de la hoja o un número entero para la posición de la hoja (ten en cuenta que Python utiliza la indexación 0, en la que se puede acceder a la primera hoja con sheet_name = 0).

# Extracting the second sheet since Python uses 0-indexing
df = pd.read_excel('diabetes_multi.xlsx', sheet_name=1)

Importar archivo JSON

De forma similar a la función read_csv(), puedes utilizar read_json() para tipos de archivo JSON con el nombre del archivo JSON como argumento (para más detalles, lee este tutorial sobre la importación de datos JSON y HTML en pandas). El código siguiente lee un archivo JSON del disco y crea un objeto DataFrame df.

df = pd.read_json("diabetes.json")

Si quieres saber más sobre la importación de datos con pandas, consulta esta hoja de trucos sobre la importación de varios tipos de archivos con Python. 

Salida de datos en pandas

Al igual que pandas puede importar datos de varios tipos de archivos, también te permite exportar datos a varios formatos. Esto ocurre especialmente cuando los datos se transforman mediante pandas y necesitan guardarse localmente en tu máquina. A continuación se explica cómo convertir los DataFrames de pandas a varios formatos.

Pasar un DataFrame a un archivo CSV

Un DataFrame de pandas (aquí estamos utilizando df) se guarda como un archivo CSV mediante el método .to_csv(). Los argumentos incluyen el nombre del archivo con la ruta y index - donde index = True implica escribir el índice del DataFrame.

df.to_csv("diabetes_out.csv", index=False)

Pasar un DataFrame a un archivo JSON

Exporta el objeto DataFrame a un archivo JSON al llamas al método .to_json().

df.to_json("diabetes_out.json")

Nota: Un archivo JSON almacena un objeto tabular como un DataFrame en forma de par clave-valor. De este modo, observarías cabeceras de columna repetidas en un archivo JSON.

Pasar un DataFrame a un fichero de texto

Al igual que al escribir DataFrames en archivos CSV, puedes llamar a .to_csv(). Las únicas diferencias son que el formato del archivo de salida está en .txt, y que necesitas especificar un separador mediante el argumento sep.

df.to_csv('diabetes_out.txt', header=df.columns, index=None, sep=' ')

Pasar un DataFrame a un fichero Excel

Llama a .to_excel() desde el objeto DataFrame para guardarlo como un archivo “.xls” o “.xlsx”.

df.to_excel("diabetes_out.xlsx", index=False)

Visualización y comprensión de DataFrames con pandas 

Después de leer los datos tabulares como un DataFrame, necesitarás echar un vistazo a los datos. Puedes ver una pequeña muestra del conjunto de datos o un resumen de los datos en forma de estadísticas resumidas.

Cómo ver los datos mediante .head() y .tail()

Puedes ver las primeras o las últimas filas de un DataFrame utilizando los métodos .head() o .tail(), respectivamente. Puedes especificar el número de filas mediante el argumento n (el valor predeterminado es 5).

df.head()

Las cinco primeras filas del DataFrame (df) con .head()

Cinco primeras filas del DataFrame 

df.tail(n = 10)

últimas 10 filas de un DataFrame con df.head()

Primeras 10 filas del DataFrame 

Comprender los datos con .describe()

El método .describe() imprime los estadísticos de resumen de todas las columnas numéricas, como el recuento, la media, la desviación típica, el rango y los cuartiles de las columnas numéricas.

df.describe()

Obtén estadísticas resumidas con .describe()

Obtén estadísticas resumidas con .describe()

Da un vistazo rápido a la escala, la inclinación y el rango de los datos numéricos.

También puedes modificar los cuartiles con el argumento percentiles. Aquí, por ejemplo, estamos viendo los percentiles 30 %, 50 % y 70 % de las columnas numéricas del DataFrame df.

df.describe(percentiles=[0.3, 0.5, 0.7])

Obtener estadísticas resumidas con percentiles específicos pandas

Obtener estadísticas resumidas con percentiles específicos 

También puedes aislar tipos de datos específicos en tu salida resumida con el argumento include. Aquí, por ejemplo, solo estamos resumiendo las columnas con el tipo de datos integer

df.describe(include=[int])

resumen estadístico de pandas de columnas de enteros

Obtener estadísticas resumidas solo de columnas de enteros 

Del mismo modo, puede que quieras excluir determinados tipos de datos con el argumento exclude.

df.describe(exclude=[int])

obtener estadísticas resumidas de pandas de columnas de no enteros

Obtener estadísticas de resumen solo de columnas de no enteros 


A menudo, a los profesionales les resulta fácil ver esas estadísticas transponiéndolas con el atributo .T.

df.describe().T

Transponer pandas de estadísticas resumidas

Transponer las estadísticas resumidas con .T


Para saber más sobre la descripción de los DataFrames, consulta la siguiente hoja de trucos.

Aprende los fundamentos de pandas

Python for Spreadsheet Users

BeginnerSkill Level
4 hr
24.8K learners
Use your knowledge of common spreadsheet functions and techniques to explore Python!

Comprender los datos con .info()

El método .info() es una forma rápida de ver los tipos de datos, los valores perdidos y el tamaño de los datos de un DataFrame. Aquí, estamos fijando el argumento show_counts en True, que da unos cuantos sobre el total de valores no ausentes en cada columna. También establecemos memory_usage a True, que muestra el uso total de memoria de los elementos del DataFrame. Cuando verbose se establece en True, imprime el resumen completo de .info()

df.info(show_counts=True, memory_usage=True, verbose=True)

image26.png

Comprender tus datos con .shape

El número de filas y columnas de un DataFrame puede identificarse con el atributo .shape del DataFrame. Devuelve una tupla (fila, columna) y puede indexarse para obtener solo filas, y solo las columnas cuentan como salida.

df.shape # Get the number of rows and columns
df.shape[0] # Get the number of rows only
df.shape[1] # Get the number of columns only
(768,9)
768
9

Obtener todas las columnas y nombres de columnas

La llamada al atributo .columns de un objeto DataFrame devuelve los nombres de las columnas en forma de objeto Index. Como recordatorio, un índice de pandas es la dirección/etiqueta de la fila o columna.

df.columns

Salida de columnas

Se puede convertir en una lista utilizando una función list().

list(df.columns)

nombres de columna como lista pandas

Comprobación de valores perdidos en pandas con .isnull()

El DataFrame de muestra no tiene valores perdidos. Introduzcamos algunos para hacer las cosas interesantes. El método .copy() hace una copia del DataFrame original. Esto se hace para garantizar que cualquier cambio en la copia no se refleje en el DataFrame original. Al utilizar .loc (que veremos más adelante), puedes establecer las filas dos a cinco de la columna Pregnancies en valores NaN, que denotan valores omitidos.

df2 = df.copy()
df2.loc[2:5,'Pregnancies'] = None
df2.head(7)

En las filas 2 a 5 faltan pandas

Puedes ver que ahora las filas 2 a 5 son NaN

Puedes comprobar si falta algún elemento de un DataFrame utilizando el método .isnull().

df2.isnull().head(7)

Dado que a menudo es más útil saber cuántos datos faltan, puedes combinar .isnull() con .sum() para contar el número de nulos de cada columna.

df2.isnull().sum()
Pregnancies                 4
Glucose                     0
BloodPressure               0
SkinThickness               0
Insulin                     0
BMI                         0
DiabetesPedigreeFunction    0
Age                         0
Outcome                     0
dtype: int64

También puedes hacer una suma doble para obtener el número total de nulos del DataFrame.

df2.isnull().sum().sum()
4

Rebanar y extraer datos en pandas

El paquete pandas ofrece varias formas de subconjuntar, filtrar y aislar datos en tus DataFrames. Aquí veremos las formas más comunes.

Aislar una columna con [ ] 

Puedes aislar una sola columna utilizando un corchete [ ] con el nombre de la columna dentro. La salida es un objeto pandas Series. Una serie en pandas es una matriz unidimensional que contiene datos de cualquier tipo, incluidos enteros, flotantes, cadenas, booleanos, objetos Python, etc. Un DataFrame se compone de muchas series que actúan como columnas.

df['Outcome']

Aislar una columna en pandas

Aislar una columna en pandas

Aislar dos o más columnas con [[ ]] 

También puedes proporcionar una lista de nombres de columnas dentro de los corchetes para obtener más de una columna. Aquí, los corchetes se utilizan de dos formas distintas. Utilizamos los corchetes exteriores para indicar un subconjunto de un DataFrame, y los corchetes interiores para crear una lista.

df[['Pregnancies', 'Outcome']]

image15.png

Aislar dos columnas en pandas

Aislar una fila con [ ] 

Se puede obtener una sola fila pasando una serie booleana con un valor True. En el ejemplo siguiente, se devuelve la segunda fila con index = 1. Aquí, .index devuelve las etiquetas de fila del DataFrame, y la comparación lo convierte en una matriz unidimensional booleana.

df[df.index==1]

Aislar una fila en pandas

Aislar una fila en pandas

Aislar dos o más filas con [ ] 

Del mismo modo, se pueden devolver dos o más filas utilizando el método .isin() en lugar de un operador ==.

df[df.index.isin(range(2,10))]

Aislar filas específicas en pandas

Aislar filas específicas en pandas

Utilizar .loc[] y .iloc[] para recuperar filas

Puedes obtener filas concretas por etiquetas o condiciones utilizando .loc[] y .iloc[] ("ubicación" y "posición numérica"). .loc[] utiliza una etiqueta para señalar una fila, columna o celda, mientras que .iloc[] utiliza la posición numérica. Para entender la diferencia entre ambos, vamos a modificar el índice de df2 creado anteriormente.

df2.index = range(1,769)

El siguiente ejemplo devuelve un pandas Series en lugar de un DataFrame. El 1 representa el índice de la fila (etiqueta), mientras que el 1 en .iloc[] es la posición de la fila (primera fila).

df2.loc[1]
Pregnancies                   6.000
Glucose                     148.000
BloodPressure                72.000
SkinThickness                35.000
Insulin                       0.000
BMI                          33.600
DiabetesPedigreeFunction      0.627
Age                          50.000
Outcome                       1.000
Name: 1, dtype: float64
df2.iloc[1]
Pregnancies                  1.000
Glucose                     85.000
BloodPressure               66.000
SkinThickness               29.000
Insulin                      0.000
BMI                         26.600
DiabetesPedigreeFunction     0.351
Age                         31.000
Outcome                      0.000
Name: 2, dtype: float64

También puedes obtener varias filas indicando un rango entre corchetes.

df2.loc[100:110]

Aislar filas con loc

Aislar filas en pandas con .loc[]

df2.iloc[100:110]

Aislar filas en pandas con .loc[]

Aislar filas en pandas con .iloc[]

También puedes subconjuntar con .loc[] y .iloc[] utilizando una lista en lugar de un rango.

df2.loc[[100, 200, 300]]

Aislar filas utilizando una lista en pandas con .loc[]

Aislar filas utilizando una lista en pandas con .loc[]

df2.iloc[[100, 200, 300]]

image25.png

Aislar filas utilizando una lista en pandas con .iloc[]

También puedes seleccionar columnas concretas junto con las filas. Aquí es donde .iloc[] es diferente de .loc[]: requiere la ubicación de las columnas y no las etiquetas de las columnas.

df2.loc[100:110, ['Pregnancies', 'Glucose', 'BloodPressure']]

Aislar columnas utilizando una lista en pandas con .loc[]

Aislar columnas en pandas con .loc[]

df2.iloc[100:110, :3]

Aislar columnas utilizando en pandas con .iloc[]

Aislar columnas con .iloc[]

Para flujos de trabajo más rápidos, puedes pasar el índice inicial de una fila como rango.

df2.loc[760:, ['Pregnancies', 'Glucose', 'BloodPressure']]

Aislar columnas utilizando en pandas con .loc[]

Aislar columnas y filas en pandas con .loc[]

df2.iloc[760:, :3]

imagen4.png
Aislar columnas y filas en pandas con .iloc[]

Puedes actualizar/modificar determinados valores utilizando el operador de asignación =

df2.loc[df['Age']==81, ['Age']] = 80

Corte condicional (que se ajusta a determinadas condiciones)

pandas te permite filtrar datos mediante condiciones sobre valores de fila/columna. Por ejemplo, el código siguiente selecciona la fila en la que la tensión arterial es exactamente 122. Aquí, estamos aislando filas utilizando los corchetes [ ] como se ha visto en secciones anteriores. Sin embargo, en lugar de introducir índices de fila o nombres de columna, estamos introduciendo una condición en la que la columna BloodPressure es igual a 122. Denotamos esta condición mediante df.BloodPressure == 122.

df[df.BloodPressure == 122]

Aislar filas en función de una condición en pandas

Aislar filas en función de una condición en pandas 

El siguiente ejemplo obtiene todas las filas en las que Outcome es 1. Aquí df.Outcome selecciona esa columna, df.Outcome == 1 devuelve una serie de valores booleanos determinando cuáles Outcomes son iguales a 1, a continuación [] toma un subconjunto de df donde esa serie booleana es True.

df[df.Outcome == 1]

Aislar filas en función de una condición en pandas

Aislar filas en función de una condición en pandas 

Puedes utilizar un operador > para establecer comparaciones. El código siguiente busca Pregnancies, Glucose y BloodPressure para todos los registros con BloodPressure mayor que 100.

df.loc[df['BloodPressure'] > 100, ['Pregnancies', 'Glucose', 'BloodPressure']]

Aislar filas y columnas en función de una condición en pandas

Aislar filas y columnas en función de una condición en pandas 

Limpieza de datos con pandas 

La limpieza de datos es una de las tareas más comunes en la ciencia de datos. pandas te permite preprocesar datos para cualquier uso, incluido, entre otros, el entrenamiento de modelos de machine learning y deep learning. Utilicemos el DataFrame df2 de antes, que tiene cuatro valores perdidos, para ilustrar algunos casos de uso de la limpieza de datos. A modo de recordatorio, he aquí cómo puedes ver cuántos valores perdidos hay en un DataFrame.

df2.isnull().sum()
Pregnancies                 4
Glucose                     0
BloodPressure               0
SkinThickness               0
Insulin                     0
BMI                         0
DiabetesPedigreeFunction    0
Age                         0
Outcome                     0
dtype: int64

Técnica n.º 1 para tratar los datos que faltan: Eliminación de valores perdidos

Una forma de tratar los datos que faltan es eliminarlos. Esto es especialmente útil en los casos en que tienes muchos datos y la pérdida de una pequeña parte no afectará al análisis posterior. Puedes utilizar un método .dropna() como se muestra a continuación. Aquí, estamos guardando los resultados de .dropna() en un DataFrame df3.

df3 = df2.copy()
df3 = df3.dropna()
df3.shape
(764, 9) # this is 4 rows less than df2

El argumento axis te permite especificar si estás eliminando filas, o columnas, con valores perdidos. La opción predeterminada axis elimina las filas que contienen NaNs. Utiliza axis = 1 para eliminar las columnas con uno o más valores NaN. Además, fíjate en que estamos utilizando el argumento inplace=True, que te permite omitir guardar la salida de .dropna() en un nuevo DataFrame.  

df3 = df2.copy()
df3.dropna(inplace=True, axis=1)
df3.head()

Soltar pandas de datos que faltan

Eliminación de datos perdidos en pandas

También puedes eliminar tanto las filas como las columnas con valores perdidos estableciendo el argumento how como 'all'

df3 = df2.copy()
df3.dropna(inplace=True, how='all')

Técnica n.º 2 para tratar los datos que faltan: Sustitución de valores perdidos

En lugar de descartar, sustituir los valores perdidos por una estadística de resumen o un valor específico (según el caso de uso) quizá sea la mejor forma de proceder. Por ejemplo, si falta una fila de una columna de temperatura que indica las temperaturas a lo largo de los días de la semana, sustituir ese valor que falta por la temperatura media de esa semana puede ser más eficaz que suprimir los valores por completo. Puedes sustituir los datos que faltan por la media de la fila o de la columna mediante el código siguiente.

df3 = df2.copy()
# Get the mean of Pregnancies
mean_value = df3['Pregnancies'].mean()
# Fill missing values using .fillna()
df3 = df3.fillna(mean_value)

Cómo tratar los datos duplicados

Vamos a añadir algunos duplicados a los datos originales para aprender a eliminar duplicados en un DataFrame. Aquí, estamos utilizando el método .concat() para concatenar las filas del DataFrame df2 con el DataFrame df2, añadiendo duplicados perfectos de cada fila en df2

df3 = pd.concat([df2, df2])
df3.shape
(1536, 9)

Puedes eliminar todas las filas duplicadas (de forma predeterminada) del DataFrame utilizando el método .drop_duplicates() .

df3 = df3.drop_duplicates()
df3.shape
(768, 9)

Renombrar columnas

Una tarea habitual de limpieza de datos es renombrar columnas. Con el método .rename(), puedes utilizar columns como argumento para renombrar columnas concretas. El código siguiente muestra el diccionario para asignar nombres de columnas antiguos y nuevos.

df3.rename(columns = {'DiabetesPedigreeFunction':'DPF'}, inplace = True)
df3.head()

Renombrar columnas en pandas

Renombrar columnas en pandas

También puedes asignar directamente los nombres de las columnas como una lista al DataFrame.

df3.columns = ['Glucose', 'BloodPressure', 'SkinThickness', 'Insulin', 'BMI', 'DPF', 'Age', 'Outcome', 'STF']
df3.head()

Renombrar columnas en pandas

Renombrar columnas en pandas

Para saber más sobre la limpieza de datos, y para que los flujos de trabajo de limpieza de datos sean más fáciles y predecibles, consulta la siguiente lista de comprobación, que te proporciona un conjunto completo de tareas habituales de limpieza de datos

Análisis de datos en pandas

La principal propuesta de valor de pandas reside en su rápida funcionalidad de análisis de datos. En esta sección, nos centraremos en un conjunto de técnicas de análisis que puedes utilizar en pandas.

Operadores de resumen (media, moda, mediana)

Como has visto antes, puedes obtener la media de cada valor de columna utilizando el método .mean().

df.mean()

Imprimir la media de las columnas en pandas

Imprimir la media de las columnas en pandas

Un modo puede calcularse de forma similar utilizando el método .mode()

df.mode()

image22.png

Imprimir el modo de las columnas en pandas

Del mismo modo, la mediana de cada columna se calcula con el método .median()

df.median()

Imprimir la mediana de columnas en pandas
Imprimir la mediana de las columnas en pandas

Crear nuevas columnas basadas en columnas existentes 

pandas proporciona un cálculo rápido y eficaz combinando dos o más columnas como variables escalares. El código siguiente divide cada valor de la columna Glucose con el valor correspondiente de la columna Insulin para calcular una nueva columna llamada Glucose_Insulin_Ratio.

df2['Glucose_Insulin_Ratio'] = df2['Glucose']/df2['Insulin']
df2.head()

Crear una nueva columna a partir de columnas existentes en pandas

Crear una nueva columna a partir de columnas existentes en pandas

Contar utilizando .value_counts()

A menudo trabajarás con valores categóricos, y querrás contar el número de observaciones que tiene cada categoría en una columna. Los valores de las categorías pueden contarse utilizando los métodos .value_counts(). Aquí, por ejemplo, contamos el número de observaciones en las que Outcome es diabético (1) y el número de observaciones en las que Outcome no es diabético (0).

df['Outcome'].value_counts()

Uso de .value_counts() en pandas

Uso de .value_counts() en pandas

Si añades el argumento normalize, obtendrás proporciones en lugar de recuentos absolutos.

df['Outcome'].value_counts(normalize=True)

Uso de .value_counts() en pandas con normalización

Uso de .value_counts() en pandas con normalización


Desactiva la ordenación automática de los resultados mediante el argumento sort (True de forma predeterminada). El orden predeterminado se basa en los recuentos en orden descendente.

df['Outcome'].value_counts(sort=False)

Uso de .value_counts() en pandas con normalización

Uso de .value_counts() en pandas con ordenación

También puedes aplicar .value_counts() a un objeto DataFrame y a columnas concretas dentro de él, en lugar de solo a una columna. Aquí, por ejemplo, estamos aplicando value_counts() en df con el argumento subconjunto, que recibe una lista de columnas. 

df.value_counts(subset=['Pregnancies', 'Outcome'])

Uso de .value_counts() en pandas al subconjuntar columnas

Utilizando .value_counts() en pandas al subconjuntar columnas

Agregar datos con .groupby() en pandas

pandas te permite agregar valores agrupándolos por valores de columna específicos. Puedes hacerlo combinando el método .groupby() con un método de resumen de tu elección. El código siguiente muestra la media de cada una de las columnas numéricas agrupadas por Outcome.

df.groupby('Outcome').mean()

Agregar datos por una columna en pandas

Agregar datos por una columna en pandas

.groupby() permite agrupar por más de una columna pasando una lista de nombres de columnas, como se muestra a continuación.

df.groupby(['Pregnancies', 'Outcome']).mean()

Agregar datos por dos columnas en pandas

Agregar datos por dos columnas en pandas

Se puede utilizar cualquier método de resumen junto con .groupby(), incluido .min(), .max(), .mean(), .median(), .sum(), .mode() y más.

Tablas dinámicas 

pandas también te permite calcular estadísticas resumidas como tablas dinámicas. Esto facilita sacar conclusiones basadas en una combinación de variables. El código siguiente recoge las filas como valores únicos de Pregnancies, los valores de las columnas son los valores únicos de Outcome, y las celdas contienen el valor medio de BMI en el grupo correspondiente.

Por ejemplo, para Pregnancies = 5 y Outcome = 0, el IMC medio resulta ser de 31,1.

pd.pivot_table(df, values="BMI", index='Pregnancies', 
               columns=['Outcome'], aggfunc=np.mean)

Agregar datos pivotando con pandas

Agregar datos pivotando con pandas

Visualización de datos en pandas

pandas proporciona cómodas envolturas a las funciones de trazado de Matplotlib para facilitar la visualización de tus DataFrames. A continuación, verás cómo hacer visualizaciones de datos comunes utilizando pandas.

Gráficos de líneas en pandas

pandas te permite trazar las relaciones entre variables mediante gráficos de líneas. A continuación se muestra un gráfico lineal del IMC y la Glucosa frente al índice de filas.

df[['BMI', 'Glucose']].plot.line()

Lineplot básico con pandas

Gráfico lineal básico con pandas

Puedes seleccionar la elección de colores utilizando el argumento color.

df[['BMI', 'Glucose']].plot.line(figsize=(20, 10), 
                                 color={"BMI": "red", "Glucose": "blue"})

Gráfico lineal básico con pandas, con colores personalizados

Gráfico lineal básico con pandas, con colores personalizados

Todas las columnas de df también pueden representarse en diferentes escalas y ejes utilizando el argumento subplots.

df.plot.line(subplots=True)

Subparcelas para gráficos lineales con pandas

Subparcelas para gráficos lineales con pandas

Gráficos de barras en pandas

Para columnas independientes, puedes utilizar un diagrama de barras sobre los recuentos de categorías para visualizar su distribución. La variable Outcome con valores binarios se visualiza a continuación.

df['Outcome'].value_counts().plot.bar()

Gráficos de barras en pandas

Gráficos de barras en pandas

Gráficos de caja en pandas

La distribución en cuartiles de las variables continuas puede visualizarse mediante un diagrama de caja. El código siguiente te permite crear un boxplot con pandas.

df.boxplot(column=['BMI'], by='Outcome')

Boxplots en pandas
Boxplots en pandas

Más información sobre pandas

El tutorial anterior araña la superficie de lo que es posible con los pandas. Ya sea analizando datos, visualizándolos, filtrándolos o agregándolos, pandas proporciona un conjunto de funciones increíblemente rico que te permite acelerar cualquier flujo de trabajo de datos. Además, combinando pandas con otros paquetes de ciencia de datos, podrás crear cuadros de mando interactivos, crear modelos predictivos mediante machine learning, automatizar flujos de trabajo de datos y mucho más. Echa un vistazo a los siguientes recursos para acelerar tu viaje de aprendizaje de los pandas:

Preguntas frecuentes sobre pandas

¿Qué es pandas en Python?

pandas es una potente biblioteca de manipulación de datos en Python. Proporciona las estructuras de datos y las funciones necesarias para manipular datos estructurados, incluidas las funcionalidades para manipular y analizar tramas de datos. Es una herramienta indispensable en el mundo del análisis y la ciencia de datos, porque permite limpiar, transformar y analizar los datos con eficacia.

¿Por qué debería aprender pandas?

Si trabajas con datos en Python, pandas es una herramienta imprescindible. Simplifica el proceso de manipulación y análisis de datos, para que puedas centrarte en extraer ideas y crear valor. Tanto si trabajas con pequeños conjuntos de datos como con datos a gran escala, pandas te facilitará la vida con su velocidad, flexibilidad y estructuras de datos fáciles de usar.

¿Cómo instalo pandas?

Para instalar pandas, necesitarás Python y pip (el instalador de paquetes de Python) en tu sistema. A continuación, puedes instalar pandas con el comando : pip install pandas. Si utilizas un cuaderno Jupyter en un entorno como Anaconda, pandas viene preinstalado.

¿Cuáles son las estructuras de datos básicas en pandas?

Las dos estructuras de datos principales de pandas son las series y los DataFrame. Una serie es esencialmente una columna, y un DataFrame es una tabla multidimensional formada por una colección de series. Estas estructuras son flexibles, es decir, pueden contener datos de distintos tipos (por ejemplo, enteros, cadenas, flotantes).

¿Es pandas bueno para grandes conjuntos de datos?

Sí, pandas es una gran opción para grandes conjuntos de datos. Está diseñado para el análisis eficaz de datos, lo que incluye grandes conjuntos de datos. Sin embargo, ten en cuenta que el tamaño de los datos que puedes manejar depende en cierta medida de la memoria de tu sistema. Si tratas con conjuntos de datos extremadamente grandes que no caben en la memoria, puede que necesites utilizar otras herramientas o técnicas (como el chunking o el uso de dask).

¿Cómo importo datos a pandas?

pandas puede leer datos de varios formatos de archivo, como CSV, Excel, bases de datos SQL, JSON, etc. Los comandos pd.read_csv(), pd.read_excel(), pd.read_sql() y pd.read_json() se utilizan para importar datos de los respectivos tipos de archivo. Todos estos comandos devuelven un DataFrame, que puedes manipular utilizando pandas.

Temas

Más cursos de pandas

Course

Introduction to Python

4 hr
5.5M
Master the basics of data analysis with Python in just four hours. This online course will introduce the Python interface and explore popular packages.
See DetailsRight Arrow
Start Course
Ver másRight Arrow
Relacionado

tutorial

Cómo recortar una cadena en Python: Tres métodos diferentes

Aprenda los fundamentos del recorte de caracteres iniciales y finales de una cadena en Python.
Adel Nehme's photo

Adel Nehme

5 min

tutorial

Pandas Profiling (ydata-profiling) en Python: Guía para principiantes

Aprenda a utilizar la biblioteca ydata-profiling en Python para generar informes detallados de conjuntos de datos con muchas características.
Satyam Tripathi's photo

Satyam Tripathi

9 min

tutorial

Guía completa de listas vacías en Python

Aprenda las principales operaciones con listas y los casos de uso de las listas vacías en Python.
Adel Nehme's photo

Adel Nehme

5 min

tutorial

Programación funcional frente a programación orientada a objetos en el análisis de datos

Explore dos de los paradigmas de programación más utilizados en la ciencia de datos: la programación orientada a objetos y la programación funcional.
Amberle McKee's photo

Amberle McKee

15 min

tutorial

Guía paso a paso para hacer mapas en Python usando la librería Plotly

Haz que tus datos destaquen con impresionantes mapas creados con Plotly en Python
Moez Ali's photo

Moez Ali

7 min

tutorial

Tutorial de Python Seaborn Line Plot: Crear visualizaciones de datos

Descubra cómo utilizar Seaborn, una popular biblioteca de visualización de datos de Python, para crear y personalizar gráficos de líneas en Python.
Elena Kosourova's photo

Elena Kosourova

12 min

See MoreSee More