Tutorial: añadir una columna en pandas

No tienes por qué limitarte a los datos tal cual vienen. Puedes añadir nuevas columnas a un DataFrame. A esto también se le llama transformar, mutar o hacer feature engineering.

Puedes crear columnas desde cero, pero también es habitual derivarlas a partir de otras, por ejemplo, sumando columnas entre sí o cambiando sus unidades.

Derivar una columna

Con un dataset de perros, imagina que quieres añadir una nueva columna al DataFrame con la altura de cada perro en metros en lugar de centímetros.

A la izquierda del signo igual, usas corchetes con el nombre de la nueva columna que quieres crear, en este caso, height_m. A la derecha, pones el cálculo.

dogs["height_m"] = dogs["height_cm"] / 100
print(dogs)

        name        breed   color   height_cm   weight_kg   date_of_birth   height_m
0      Bella     Labrador   Brown          56          24      2013-07-01       0.56
1    Charlie       Poodle   Black          43          24      2016-09-16       0.43
2       Lucy    Chow Chow   Brown          46          24      2014-08-25       0.46
3     Cooper    Schnauzer    Gray          49          17      2016-09-16       0.49
4        Max     Labrador   Black          59          29      2016-09-16       0.59
5     Stella    Chihuahua     Tan          18           2      2016-09-16       0.18
6     Bernie  St. Bernard   White          77          74      2016-09-16       0.77

Fíjate en que tanto la columna original como la derivada aparecen en el dataframe que has modificado.

Añadir una columna

En este ejemplo, vas a calcular el índice de masa canina y añadirlo como columna a tu dataframe. BMI es el índice de masa corporal, que se calcula dividiendo el peso en kilogramos entre la altura en metros al cuadrado.

dogs["height_m"] = dogs["weight_kg"] / dogs["height_m"] ** 2
print(dogs.head())

        name        breed   color   height_cm   weight_kg   date_of_birth   height_m          bmi
0      Bella     Labrador   Brown          56          24      2013-07-01       0.56    76.530612
1    Charlie       Poodle   Black          43          24      2016-09-16       0.43   129.799892
2       Lucy    Chow Chow   Brown          46          24      2014-08-25       0.46   113.421550
3     Cooper    Schnauzer    Gray          49          17      2016-09-16       0.49    70.803832
4        Max     Labrador   Black          59          29      2016-09-16       0.59    83.309394

De nuevo, la nueva columna va a la izquierda del igual, pero esta vez el cálculo implica dos columnas.

Añadir una columna con varias transformaciones

La verdadera potencia de pandas aparece cuando combinas todas las habilidades que has aprendido. Vamos a encontrar los nombres de los perros altos y delgados.

Primero, para definir los perros delgados, tomas el subconjunto de perros con un BMI inferior a 100. Después, ordenas por altura en orden descendente para tener arriba a los más altos dentro de los delgados.

Por último, esta vez te vas a quedar solo con las columnas que te interesan.

bmi_lt_100 = dogs[dogs["bmi"] < 100]
bmi_lt_100_height = bmi_lt_100.short_values("height_cm", ascending=False)
bmi_lt_100_height[["name", "height_cm", "bmi"]]

        name      height_cm           bmi
4        Max             59     83.309394
0      Bella             56     76.530612
3     Cooper             49     70.803832
5     Stella             18     61.728395

Aquí puedes ver que Max es el perro más alto con un BMI inferior a 100.

Ejemplo interactivo

En el siguiente ejemplo, añades una nueva columna al DataFrame homelessness, llamada total, con la suma de las columnas individuals y family_members. Después, añade otra columna a homelessness, llamada p_individuals, con la proporción de personas sin hogar en cada estado que son individuos. Por último, imprime el dataframe homelessness.

# Add total col as sum of individuals and family_members
homelessness["total"] = homelessness["individuals"] + homelessness["family_members"]

# Add p_individuals col as proportion of individuals
homelessness["p_individuals"] = homelessness["individuals"] / homelessness["total"]

# See the result
print(homelessness)

Al ejecutar el código anterior, se obtiene el siguiente resultado:

                region                 state  individuals  family_members  state_pop     total  p_individuals
0   East South Central               Alabama       2570.0           864.0    4887681    3434.0          0.748
1              Pacific                Alaska       1434.0           582.0     735139    2016.0          0.711
2             Mountain               Arizona       7259.0          2606.0    7158024    9865.0          0.736
3   West South Central              Arkansas       2280.0           432.0    3009733    2712.0          0.841
4              Pacific            California     109008.0         20964.0   39461588  129972.0          0.8
...
48      South Atlantic         West Virginia       1021.0           222.0    1804291    1243.0          0.821
49  East North Central             Wisconsin       2740.0          2167.0    5807406    4907.0          0.558
50            Mountain               Wyoming        434.0           205.0     577601     639.0          0.679

Pruébalo tú mismo.

Échale también un vistazo al tutorial de DataCamp sobre cómo eliminar columnas en pandas.

Si quieres aprender más sobre cómo añadir columnas nuevas en pandas, mira este vídeo de nuestro curso Data Manipulation with pandas.

Este contenido se ha extraído del curso Data Manipulation with pandas de DataCamp, por Maggie Matsui y Richie Cotton.