¿Cómo crear un DataFrame?

Un DataFrame es una estructura de dos dimensiones, muy similar a una hoja de cálculo o una tabla en base de datos, veamos como crear un DataFrame a partir de una lista.

1import pandas as pd
2
3list_rrss = ['Facebook','Twitter','Instagram','Youtube']
4
5# Crear dataframe a partir de una lista
6df_rrss = pd.DataFrame(list_rrss, columns=['Name'])
7
8print(df_rrss)

(output) de la variable df_rrss

	Name
0	Facebook
1	Twitter
2	Instagram
3	Youtube

En este ejemplo, utilizamos la función DataFrame() para crear un DataFrame a partir de las lista list_rrss y su resultado se guarda en la variable df_rrss, a la función DataFrame() en este caso le pasamos dos argumentos, la variable list_rrss la cual serán los datos del DataFrame y columns donde se especifica el nombre de las columnas, en este caso Name. Finalmente, se muestra por la terminal el DataFrame con los nombres de las redes sociales en la columna Name.

🔗 Si quieres un tutorial sobre Pandas python, te invito a leer el Blog de 4Geeks, donde encontrarás mucha información relevante.

DataFrame en Pandas

Un DataFrame como se mencionó anteriormente es una estructura de dos dimensiones, para crear un DataFrame en Pandas, primero se necesita importar la librería Pandas y luego utilizar la clase pandas.DataFrame. La clase pandas.DataFrame permite varios parámetros a la hora de crearse, veamos cuales son estos parámetros:

1pandas.DataFrame(data, index, columns, dtype)

• data: Representa los datos que utilizara el DataFrame, puede ser un objeto, una lista, un diccionario, otro DataFrame, entre otros.
• index: Se utiliza cuando queremos especificar los índices del DataFrame, si no se le proporciona este parámetro por defecto genera índices numéricos.
• columns: Se utiliza cuando queremos especificar los nombres de las columnas del DataFrame, si no se le proporciona este parámentro por defecto genera índices numéricos.
• dtype: Se utiliza para especificar el tipo de datos de las columnas DataFrame, por ejemplo, int, float, object, etc. Si no se le proporciona este parámetro, por defecto infiere el tipo de dato a partir de los datos suministrados.

Veamos un ejemplo donde hace uso de los parámetros antes mencionados:

1import pandas as pd
2
3data_countries = {'country': ['Spain', 'Germany', 'United Kingdom', 'Japan'],
4'date': ['2022', '2022', '2020', '2021'],
5'density': [94,234,275,332],
6'population': [47615034, 83794000,67081000,125507000]}
7
8indexes = ['a', 'b', 'c','d']
9columns = ['country', 'date', 'density', 'population']
10
11df_data_countries = pd.DataFrame(data=countries, index=indexes, columns=columns, dtype=str)
12
13print(df_data_countries)
14

(output) de la variable df_data_countries

	country	date	density	population
a	Spain	2022	94	47615034
b	Germany	2022	234	83794000
c	United Kingdom	2020	275	67081000
d	Japan	2021	332	125507000

En este ejemplo se crea un DataFrame utilizando el diccionario data_countries, adicionalmente se especifican los índices y nombres de las columnas con las listas indexes y columns respectivamente.

Formas de crear un DataFrame

Existen distintas maneras de crear un DataFrame en Python, a continuación explicaremos algunas de ellas.

Creación de un dataframe vacio

1import pandas as pd
2
3# Creacion de un dataframe vacio
4df= pd.DataFrame()
5
6print(df)

(output) de la variable df

Empty DataFrame Columns: [] Index: []

Creación de un dataframe a partir de una lista de listas

1import pandas as pd
2
3list_products = [
4    ['iPhone 12', 100, 500],
5    ['Samsung Galaxy S21', 200, 1000],
6    ['Sony PlayStation 5', 150, 750],
7    ['Nintendo Switch', 50, 250]
8]
9
10df_list_products = pd.DataFrame(list_products, columns=['Product', 'Quantity', 'Price'])
11
12print(df_list_products)

(output) de la variable df_list_products

	Product	Quantity	Price
0	iPhone 12	100	500
1	Samsung Galaxy S21	200	1000
2	Sony PlayStation 5	150	750
3	Nintendo Switch	50	25

Creación de un DataFrame desde un diccionario de listas

1import pandas as pd
2
3billionaires = {
4    'name': ['Jeff Bezos', 'Elon Musk', 'Bernard Arnault', 'Bill Gates'],
5    'age': [59, 51, 74, 67],
6    'fortune': [177000000000, 151000000000, 150000000000, 124000000000]
7}
8
9df_billionaires = pd.DataFrame(billionaires)
10
11print(df_billionaires)

(output) de la variable df_billionaires

	name	age	fortune
0	Jeff Bezos	59	177000000000
1	Elon Musk	51	151000000000
2	Bernard Arnault	74	150000000000
3	Bill Gates	67	124000000000

Creación de un dataframe a partir de una lista de diccionarios

1import pandas as pd
2
3
4players = [
5    {'Name': 'Lionel Messi', 'Team': 'Inter Miami CF', 'Salary': 67000000},
6    {'Name': 'Cristiano Ronaldo', 'Team': 'Al-Nassr', 'Salary': 62000000},
7    {'Name': 'Neymar Jr.', 'Team': 'Paris Saint-Germain', 'Salary': 56000000},
8    {'Name': 'Kylian Mbappé', 'Team': 'Paris Saint-Germain', 'Salary': 42000000},
9    {'Name': 'Mohamed Salah', 'Team': 'Liverpool', 'Salary': 40000000}
10]
11
12df_players = pd.DataFrame(players, index=['first', 'second', 'third', 'fourth', 'fifth'])
13
14
15print(df_players)
16

(output) de la variable df_players

	Name	Team	Salary
first	Lionel Messi	Inter Miami CF	67000000
second	Cristiano Ronaldo	Al-Nassr	62000000
third	Neymar Jr.	Paris Saint-Germain	56000000
fourth	Kylian Mbappé	Paris Saint-Germain	42000000
fifth	Mohamed Salah	Liverpool	40000000

Métodos más importantes del dataframe

La clase pandas.DataFrame ofrece una amplia gama de métodos que pueden ser útiles a la hora de analizar datos, a continuación explicaremos los más importantes:

• head(n): Este método retorna las primeras n filas del DataFrame.

1import pandas as pd
2
3
4players = [
5    {'Name': 'Lionel Messi', 'Team': 'Inter Miami CF', 'Salary': 67000000},
6    {'Name': 'Cristiano Ronaldo', 'Team': 'Al-Nassr', 'Salary': 62000000},
7    {'Name': 'Neymar Jr.', 'Team': 'Paris Saint-Germain', 'Salary': 56000000},
8    {'Name': 'Kylian Mbappé', 'Team': 'Paris Saint-Germain', 'Salary': 42000000},
9    {'Name': 'Mohamed Salah', 'Team': 'Liverpool', 'Salary': 40000000}
10]
11
12
13df_players = pd.DataFrame(players)
14
15
16print(df_players.head(2))

(output) de la variable df_players aplicando el método head()

	Name	Team	Salary
0	Lionel Messi	Inter Miami CF	67000000
1	Cristiano Ronaldo	Al-Nassr	62000000

• tail(n): Este método retorna las últimas n filas del DataFrame.

1import pandas as pd
2
3
4players = [
5    {'Name': 'Lionel Messi', 'Team': 'Inter Miami CF', 'Salary': 67000000},
6    {'Name': 'Cristiano Ronaldo', 'Team': 'Al-Nassr', 'Salary': 62000000},
7    {'Name': 'Neymar Jr.', 'Team': 'Paris Saint-Germain', 'Salary': 56000000},
8    {'Name': 'Kylian Mbappé', 'Team': 'Paris Saint-Germain', 'Salary': 42000000},
9    {'Name': 'Mohamed Salah', 'Team': 'Liverpool', 'Salary': 40000000}
10]
11
12
13df_players = pd.DataFrame(players)
14
15print(df_players.tail(2))

(output) de la variable df_players aplicando el método tail()

	Name	Team	Salary
3	Kylian Mbappé	Paris Saint-Germain	42000000
4	Mohamed Salah	Liverpool	40000000

• info():Este método muestra información detallada sobre el DataFrame, por ejemplo, el número de filas y columnas, el tipo de datos de cada columna, entre otros datos.

1import pandas as pd
2
3billionaires = {
4    'name': ['Jeff Bezos', 'Elon Musk', 'Bernard Arnault', 'Bill Gates'],
5    'age': [59, 51, 74, 67],
6    'fortune': [177000000000, 151000000000, 150000000000, 124000000000]
7}
8
9df_billionaires = pd.DataFrame(billionaires)
10
11print(df_billionaires.info())

(output) de la variable df_billionaires aplicando el método info()

<class 'pandas.core.frame.DataFrame'>
RangeIndex: 4 entries, 0 to 3
Data columns (total 3 columns):
 #   Column   Non-Null Count  Dtype
---  ------   --------------  -----
 0   name     4 non-null      object
 1   age      4 non-null      int64
 2   fortune  4 non-null      int64
dtypes: int64(2), object(1)
memory usage: 152.0+ bytes
None

• describe(): Genera estadísticas descriptivas del DataFrame, como el recuento, la media, la desviación estándar, etc.

1import pandas as pd
2
3billionaires = {
4    'name': ['Jeff Bezos', 'Elon Musk', 'Bernard Arnault', 'Bill Gates'],
5    'age': [59, 51, 74, 67],
6    'fortune': [177000000000, 151000000000, 150000000000, 124000000000]
7}
8
9df_billionaires = pd.DataFrame(billionaires)
10
11print(df_billionaires.describe())
12

(output) de la variable df_billionaires aplicando el método describe()

	age	fortune
count	4.000000	4.000000e+00
mean	62.750000	1.505000e+11
std	9.945686	2.164101e+10
min	51.000000	1.240000e+11
25%	57.000000	1.435000e+11
50%	63.000000	1.505000e+11
75%	68.750000	1.575000e+11
max	74.000000	1.770000e+11

• loc[row_indexer, col_indexer]: Accede a un subconjunto de filas y columnas basándose en las etiquetas del índice.

1import pandas as pd
2
3
4players = [
5    {'Name': 'Lionel Messi', 'Team': 'Inter Miami CF', 'Salary': 67000000},
6    {'Name': 'Cristiano Ronaldo', 'Team': 'Al-Nassr', 'Salary': 62000000},
7    {'Name': 'Neymar Jr.', 'Team': 'Paris Saint-Germain', 'Salary': 56000000},
8    {'Name': 'Kylian Mbappé', 'Team': 'Paris Saint-Germain', 'Salary': 42000000},
9    {'Name': 'Mohamed Salah', 'Team': 'Liverpool', 'Salary': 40000000}
10]
11
12df_players = pd.DataFrame(players, index=['first', 'second', 'third', 'fourth', 'fifth'])
13
14
15print(df_players.loc["first":"third", "Name":"Team"])
16

(output) de la variable df_players aplicando el método loc[row_indexer, col_indexer]

	Name	Team
first	Lionel Messi	Inter Miami CF
second	Cristiano Ronaldo	Al-Nassr
third	Neymar Jr.	Paris Saint-Germain

• iloc[row_indexer, col_indexer]: Accede a un subconjunto de filas y columnas basándose en la posición de índice.

1import pandas as pd
2
3billionaires = {
4    'name': ['Jeff Bezos', 'Elon Musk', 'Bernard Arnault', 'Bill Gates'],
5    'age': [59, 51, 74, 67],
6    'fortune': [177000000000, 151000000000, 150000000000, 124000000000]
7}
8
9df_billionaires = pd.DataFrame(billionaires)
10
11print(df_billionaires.iloc[0:3, 0:2])

(output) de la variable df_billionaires aplicando el método iloc[row_indexer, col_indexer]

	name	age
0	Jeff Bezos	59
1	Elon Musk	51
2	Bernard Arnault	74

• sort_values(by): Este método permite ordenar el DataFrame por los valores de una columna o una lista de columnas.

1import pandas as pd
2
3
4players = [
5    {'Name': 'Lionel Messi', 'Team': 'Inter Miami CF', 'Salary': 67000000},
6    {'Name': 'Cristiano Ronaldo', 'Team': 'Al-Nassr', 'Salary': 62000000},
7    {'Name': 'Neymar Jr.', 'Team': 'Paris Saint-Germain', 'Salary': 56000000},
8    {'Name': 'Kylian Mbappé', 'Team': 'Paris Saint-Germain', 'Salary': 42000000},
9    {'Name': 'Mohamed Salah', 'Team': 'Liverpool', 'Salary': 40000000}
10]
11
12df_players = pd.DataFrame(players)
13
14print(df_players.sort_values(by='Name', ascending=True))
15

(output) de la variable df_players aplicando el método sort_values()

	Name	Team	Salary
1	Cristiano Ronaldo	Al-Nassr	62000000
3	Kylian Mbappé	Paris Saint-Germain	42000000
0	Lionel Messi	Inter Miami CF	67000000
4	Mohamed Salah	Liverpool	40000000
2	Neymar Jr.	Paris Saint-Germain	56000000

Podemos concluir que los DataFrames son una herramienta muy poderosa para trabajar con datos tabulares, ya que nos permite analizar y manipular gran cantidad de datos que en ocasiones son muy complejos, por lo que son ampliamente utilizados en áreas de desarrollo como son Machine learning, Data Science, Data Analysis, entre otras.

🔗 Si te interesa conocer más a fondo cómo puedes utilizar la biblioteca de Pandas en Machine Learning te recomiendo que visites el artículo sobre pandas para machine learning, donde encontraras recursos muy utiles y explicaciones con ejemplos de código y videotutoriales que te ayudarán a enterder mejor esta librería y aprenderas a utilizar todas las caracteristicas mas importantes que ofrese.