En python existen una gran variedad de estructuras de datos y una de las más utilizadas, sin lugar a dudas, es la clase DataFrame de la librería de pandas en Python, la cual es preferida debido a sus multiples funcionalidades y su gran facilidad para aplicar transformaciones a los datos que contienen.
En este artículo exploraremos las partes que componen un DataFrame, sus atributos y los métodos más utilizados, así como algunas de las aplicaciones que tienen.
🔗 Si quieres un tutorial sobre Pandas python, te invito a leer el Blog de 4Geeks, donde encontrarás mucha información relevante.
1import pandas as pd 2 3data = { 4 'paises': ['Chile', 'España', 'Estados Unidos de America', 'Venezuela'], 5 'capitales': ['Santiago', 'Madrid', 'Washington D.C.', 'Caracas'] 6} 7countries_df = pd.DataFrame(data) 8 9print(countries_df)
Resultado en consola:
| paises | capitales | |
|---|---|---|
| 0 | Chile | Santiago |
| 1 | España | Madrid |
| 2 | Estados Unidos de America | Washington D.C. |
| 3 | Venezuela | Caracas |
Existen multiples formas para crear un DataFrame de Pandas utilizando su propio constructor pd.DataFrame(), en el ejemplo de arriba utilizamos 2 listas que contienen los valores de cada columna del DataFrame y utilizamos un diccionario para asignarles el nombre de la columna a cada una de las listas. En este caso los nombres de las columnas son "paises" y "capitales".
Los DataFrames de Pandas son básicamente tablas multidimensionales, lo que significa que cuentan con columnas y filas que pueden ser de diversas dimensiones. Pandas está basado en el paquete NumPy y por ello los DataFrames incorporan gran parte de la estructura de NumPy en su funcionamiento, dándoles una gran versatilidad para realizar cálculos numéricos y análisis de datos.
Es importante tomar en cuenta que tanto las filas como las columnas son tomados como un "eje" del DataFrame por lo que podemos aplicar una transformación tanto en el eje de las columnas como en el eje de las filas.
| Eje Y (columnas) | |
|---|---|
| Eje X (filas) |
Debido a su facilidad para aplicar transformaciones y el análisis de los datos, los DataFrames de Pandas son muy utilizados por Científicos de Datos, Analistas de Datos, Ingenieros de Datos y Analistas de Inteligencia de negocios (BI). Algunos de los usos más comunes son:
filter() o bien aplicando el filtro directamente al dataframe con el uso de corchetes df[expresion de filtrado]. Por ejemplo: filter(df['name'] == '4geeks').html, xml, hdfs, parquet, csv, xls, xlsx y otros.DataFrame.count() que nos sirve para contar la cantidad de filas contenidas en el DataFrame.map().Cada objeto DataFrame contiene los siguientes atributos:
| Nombre | Tipo | Descripción |
|---|---|---|
| columns | list | Este es el nombre de la columna o "título" de la misma. |
| empty | bool | Indica si el DataFrame está vacio o no. |
| iloc | list | Localización basada en el indice. Sirve para seleccionar una posición dentro del DataFrame. |
| index | list | Índice a nivel de la fila del DataFrame. |
| loc | list | Localización basada en las filas y columnas. Sirve para seleccionar una posición por medio del nombre. |
| shape | tuple | Devuelve una tupla que representa la dimensionalidad del DataFrame. |
La clase DataFrame tiene una gran cantidad de métodos que son necesarios para realizar todo tipo de análisis y transformaciones basadas en los datos que contiene. A continuación podemos visualizar los métodos más utilizados en un DataFrame.
read_csv(): Sirve para cargar un archivo de tipo csv para generar un DataFrameagg(): Aplicar una agregación utilizando 1 o más operaciones sobre un eje especificado. A este método se le envía como parametro una función que se aplicará a los datos, por ejemplo la función sum().apply(): Aplicar una sola función customizada al DataFrame. Es posible enviar argumentos en conjunto con la función.groupby(): Es utilizado para agrupar el DataFrame utilizando 1 o más columnas. Usualmente se utiliza en conjunto con el método agg() para aplicar una agregación matemática basada en la agrupación.describe(): Genera una serie de estadísticas descriptivas sobre los datos contenidos en el DataFrame.drop(): Elimina del DataFrame las filas o columnas que se especifiquen, por ejemplo: drop("id").drop_duplicates(): Devuelve un DataFrame sin duplicados. La deduplicación puede estar basada en una o más columnas.dropna(): Elimina las filas o columnas que contengan valores vacíos. En este caso es necesario establecer el eje al que se aplicará.fillna(): Llena los valores NA/NaN con valores utilizando el método que se especifique.filter(): Devuelve un subset del DataFrame con las filas o columnas especificadas acorde a las condiciones establecidas.head([n]): Devuelve las primeras n filas del DataFrame.info(): Imprime un resumen consiso de las cualidades del DataFrame basado en los datos que contiene.isnull(): Identifica si las filas o columnas del DataFrame tienen valores nulos.join(): Realiza un Join sobre las columnas especificadas del DataFrame al que se le aplica y otro DataFrame.to_csv(): Escribe un archivo csv en la ruta especificada con los datos del DataFrame.to_parquet(): Escribe un archivo parquet en la ruta especificada con los datos del DataFrame.Para poder crear un DataFrame de Pandas, simplemente debemos instancear la clase DataFrame() ya que todos sus parámetros son opcionales, si no enviamos ningún parámetro entonces se creará un DataFrame vacío. Por ejemplo:
1import pandas as pd 2 3df = pd.DataFrame() 4 5print(df) 6 7# Consola: 8# Empty DataFrame 9# Columns: [] 10# Index: []
Sin embargo también podemos inicializar el objeto instanciado con los siguientes parámetros:
data :
Este parámetro espera un objeto o variable de tipo ndarray, Iterable (como una lista), dict, o un objeto DataFrame. A su vez el objeto tipo dict puede contener Series, arrays, constantes, dataclass u objetos parecidos a una lista. Si se envía entonces el DataFrame creado contendrá desde su inicialización los datos que se han asignado.
index:
Este parámetro espera un objeto de tipo Index o un objeto parecido a un array como las listas y las tuplas. Sirve para asignar manualmente un índice específico al DataFrame creado. Si no se envía entonces se generará un índice por defecto que numerará acorde a la posición de la fila.
columns:
Este parámetro espera un objeto de tipo Index o un objeto parecido a un array como las listas y las tuplas. Sirve para asignar un listado de nombres a las columnas del DataFrame creado, si no existiera entonces se asignará un número a cada columna dependiendo de su posición empezando en 0.
dtype:
Este parámetro espera una variable de tipo dtype, si no se envía entonces tendrá valor None por defecto. Sirve para forzar el tipo de dato de un DataFrame, únicamente puede establecerse 1.
copy:
Este parámetro espera una variable de tipo bool y si no se envía entonces por defecto será None. Sirve para indicar si queremos utilizar una copia del objeto data que hemos enviado o si queremos utilizar el objeto original. En el caso de que no sea una copia, si modificamos el objeto original entonces el DataFrame también se modificará.
Algunos de los usos más comunes de un DataFrame de pandas son:
La clase DataFrame es la pieza fundamental en la biblioteca de Pandas en Python, gracias a ellos podemos realizar una gran variedad de operaciones con la flexibilidad que nos dan sus métodos y atributos y con la robustez que nos da numpy en su core. Es por ello que es tan utilizado cuando hablamos de análisis de datos, inteligencia de negocios e ingeniería de datos.