1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
137
138
139
140
141
142
143
144
145
146
147
148
149
150
151
152
153
154
155
156
157
158
159
160
161
162
163
164
165
166
167
168
169
170
171
172
173
174
175
176
177
178
179
180
181
182
183
184
185
186
187
188
189
190
191
192
193
194
195
196
197
198
199
200
201
202
203
204
205
206
207
208
209
210
211
212
213
214
215
216
217
218
219
220
221
222
223
224
225
226
227
228
229
230
231
232
233
234
235
236
237
238
239
240
241
242
243
244
245
246
247
248
249
250
251
252
253
254
255
256
257
258
259
260
261
262
263
264
265
266
267
268
269
270
271
272
273
274
275
276
277
278
279
280
281
282
283
284
285
286
287
288
289
290
291
292
293
294
295
296
297
298
299
300
301
302
303
304
305
306
307
308
309
310
311
312
313
314
315
316
317
318
319
320
321
322
323
324
325
326
327
328
329
330
331
332
333
334
335
336
337
338
339
340
341
342
343
344
345
346
347
348
349
350
351
352
353
354
355
356
357
358
359
360
361
362
363
364
365
366
367
368
369
370
371
372
373
374
375
376
377
378
379
380
381
382
383
384
385
386
387
388
389
390
391
392
393
394
395
396
397
398
399
400
401
402
403
404
405
406
407
408
409
410
411
412
413
414
415
416
417
418
419
420
421
422
423
424
425
426
427
428
429
430
431
432
433
434
435
436
437
438
439
440
441
442
443
444
445
446
447
448
449
450
451
452
453
454
455
456
457
458
459
460
461
462
463
464
465
466
467
468
469
470
471
472
473
474
475
476
477
478
479
480
481
482
483
484
485
486
487
488
489
490
491
492
493
494
495
496
497
498
499
500
501
502
503
504
505
506
507
508
509
510
511
512
513
514
515
516
517
518
519
520
521
522
523
524
525
526
527
528
529
530
531
532
533
534
535
536# 30 días de desafío de programación en Python: Día 25 - Pandas
- [Día 25](#-día-25)
- [Pandas](#pandas)
- [InstalarPandas](#instalarpandas)
- [ImportarPandas](#importarpandas)
- [Crear serie de Pandas con índice por defecto](#crear-serie-de-pandas-con-índice-por-defecto)
- [Crear serie de Pandas con índice personalizado](#crear-serie-de-pandas-con-índice-personalizado)
- [Crear serie de Pandas a partir de un diccionario](#crear-serie-de-pandas-a-partir-de-un-diccionario)
- [Crear serie de Pandas constante](#crear-serie-de-pandas-constante)
- [Crear serie de Pandas con Linspace](#crear-serie-de-pandas-con-linspace)
- [DataFrames](#dataframes)
- [Crear DataFrame a partir de una lista de listas](#crear-dataframe-a-partir-de-una-lista-de-listas)
- [Crear DataFrame a partir de un diccionario](#crear-dataframe-a-partir-de-un-diccionario)
- [Crear DataFrame a partir de una lista de diccionarios](#crear-dataframe-a-partir-de-una-lista-de-diccionarios)
- [Leer archivos CSV con Pandas](#leer-archivos-csv-con-pandas)
- [Exploración de datos](#exploración-de-datos)
- [Modificar DataFrame](#modificar-dataframe)
- [Crear DataFrame](#crear-dataframe)
- [Añadir nueva columna](#añadir-nueva-columna)
- [Modificar valores de una columna](#modificar-valores-de-una-columna)
- [Formatear columnas del DataFrame](#formatear-columnas-del-dataframe)
- [Comprobar tipos de datos de columnas](#comprobar-tipos-de-datos-de-columnas)
- [Indexación booleana](#indexación-booleana)
- [Ejercicios: Día 25](#ejercicios-día-25)
# 📘 Día 25
## Pandas
Pandas es una librería open source, de alto rendimiento y fácil de usar para el manejo y análisis de estructuras de datos en Python.
Pandas aporta estructuras y herramientas para manejar datos tabulares: *Series* y *DataFrames*.
Pandas proporciona utilidades para operaciones de datos como:
- reshape (remodelar)
- merge (fusionar)
- sort (ordenar)
- slice (rebanar)
- aggregate (agregar)
- interpolate (interpolar)
Si usas Anaconda no es necesario instalar pandas.
### InstalarPandas
Para Mac:
```sh
pip install conda
conda install pandas
```
Para Windows:
```sh
pip install conda
pip install pandas
```
Las estructuras de datos de Pandas se basan en *Series* y *DataFrames*.
Una *Serie* es una columna, mientras que un DataFrame es una tabla multidimensional compuesta por un conjunto de *Series*. Para crear una serie de Pandas, debemos usar un array unidimensional de NumPy o una lista de Python.
Veamos un ejemplo de una serie:
Serie de Pandas de nombres
Serie de países
Serie de ciudades
Como puedes ver, una serie de Pandas es simplemente una columna de datos. Si queremos tener varias columnas, usamos un DataFrame. El siguiente ejemplo muestra un DataFrame de Pandas.
Veamos un ejemplo de un DataFrame de Pandas:
Un DataFrame es una colección de filas y columnas. Mira la tabla a continuación; tiene más columnas que el ejemplo anterior:
A continuación, veremos cómo importar Pandas y cómo crear Series y DataFrames con Pandas.
### Importar Pandas
```python
import pandas as pd # importar pandas como pd
import numpy as np # importar numpy como np
```
### Crear serie de Pandas con índice por defecto
```python
nums = [1, 2, 3, 4,5]
s = pd.Series(nums)
print(s)
```
```sh
0 1
1 2
2 3
3 4
4 5
dtype: int64
```
### Crear serie de Pandas con índice personalizado
```python
nums = [1, 2, 3, 4, 5]
s = pd.Series(nums, index=[1, 2, 3, 4, 5])
print(s)
```
```sh
1 1
2 2
3 3
4 4
5 5
dtype: int64
```
```python
fruits = ['Orange','Banana','Mango']
fruits = pd.Series(fruits, index=[1, 2, 3])
print(fruits)
```
```sh
1 Orange
2 Banana
3 Mango
dtype: object
```
### Crear serie de Pandas a partir de un diccionario
```python
dct = {'name':'Asabeneh','country':'Finland','city':'Helsinki'}
```
```python
s = pd.Series(dct)
print(s)
```
```sh
name Asabeneh
country Finland
city Helsinki
dtype: object
```
### Crear serie de Pandas constante
```python
s = pd.Series(10, index = [1, 2, 3])
print(s)
```
```sh
1 10
2 10
3 10
dtype: int64
```
### Crear serie de Pandas con Linspace
```python
s = pd.Series(np.linspace(5, 20, 10)) # linspace(inicio, fin, número_de_elementos)
print(s)
```
```sh
0 5.000000
1 6.666667
2 8.333333
3 10.000000
4 11.666667
5 13.333333
6 15.000000
7 16.666667
8 18.333333
9 20.000000
dtype: float64
```
## DataFrames
Pandas DataFrame se puede crear de diferentes maneras:
- Crear a partir de una lista de listas
- Crear a partir de un diccionario
- Crear a partir de una lista de diccionarios
- Crear a partir de un archivo CSV
### Crear DataFrame a partir de una lista de listas
```python
data = [
['Asabeneh', 'Finland', 'Helsinki'],
['David', 'UK', 'London'],
['John', 'Sweden', 'Stockholm']
]
df = pd.DataFrame(data, columns=['Name', 'Country', 'City'])
print(df)
```
```sh
Name Country City
0 Asabeneh Finland Helsinki
1 David UK London
2 John Sweden Stockholm
```
### Crear DataFrame a partir de un diccionario
```python
data = {'Name': ['Asabeneh', 'David', 'John'], 'Country':[
'Finland', 'UK', 'Sweden'], 'City': ['Helsinki', 'London', 'Stockholm']}
df = pd.DataFrame(data)
print(df)
```
```sh
Name Country City
0 Asabeneh Finland Helsinki
1 David UK London
2 John Sweden Stockholm
```
### Crear DataFrame a partir de una lista de diccionarios
```python
data = [
{'Name': 'Asabeneh', 'Country': 'Finland', 'City': 'Helsinki'},
{'Name': 'David', 'Country': 'UK', 'City': 'London'},
{'Name': 'John', 'Country': 'Sweden', 'City': 'Stockholm'}]
df = pd.DataFrame(data)
print(df)
```
```sh
Name Country City
0 Asabeneh Finland Helsinki
1 David UK London
2 John Sweden Stockholm
```
## Leer archivos CSV con Pandas
Leamos el archivo en el directorio de datos, leeremos el archivo weight-height.csv pasando la ruta del archivo como parámetro a la función pd.read_csv(). Usemos el método head() para ver las primeras cinco filas.
```python
import pandas as pd
df = pd.read_csv('./data/weight-height.csv')
print(df.head()) # por defecto muestra las primeras 5 filas
```
```sh
Gender Height Weight
0 Male 73.847017 241.893563
1 Male 68.781904 162.310473
2 Male 74.110105 212.740856
3 Male 71.730978 220.042470
4 Male 69.881796 206.349801
```
Veamos las últimas cinco filas usando el método tail():
```python
print(df.tail()) # últimas 5 filas
```
```sh
Gender Height Weight
9995 Female 66.172652 136.777454
9996 Female 67.067155 170.867906
9997 Female 63.867992 128.475319
9998 Female 69.034243 163.852461
9999 Female 61.944246 113.649103
```
### Exploración de datos
Obtenemos el número de filas y columnas con la propiedad shape:
```python
print(df.shape) # número de filas y columnas
```
```sh
(10000, 3)
```
Como puedes ver, este conjunto de datos tiene 10000 filas y 3 columnas. Obtengamos más información sobre los datos:
```python
print(df.columns) # nombres de las columnas
print(df.head(10)) # primeras 10 filas
print(df.tail(10)) # últimas 10 filas
print(df['Gender'].value_counts()) # contar cuántos hay de cada uno
print(df.describe()) # resumen estadístico de los datos
```
```sh
Index(['Gender', 'Height', 'Weight'], dtype='object')
Gender Height Weight
0 Male 73.847017 241.893563
1 Male 68.781904 162.310473
2 Male 74.110105 212.740856
3 Male 71.730978 220.042470
4 Male 69.881796 206.349801
5 Male 68.767792 152.212156
6 Male 67.961960 183.927889
7 Male 68.563817 175.929316
8 Male 71.267570 196.028855
9 Male 72.040119 205.801386
Gender Height Weight
9990 Female 64.744846 139.725595
9991 Female 62.109532 132.451630
9992 Female 62.593008 130.727432
9993 Female 62.100222 131.220717
9994 Female 63.421888 133.330246
9995 Female 66.172652 136.777454
9996 Female 67.067155 170.867906
9997 Female 63.867992 128.475319
9998 Female 69.034243 163.852461
9999 Female 61.944246 113.649103
Gender
Male 5000
Female 5000
Name: count, dtype: int64
Height Weight
count 10000.000000 10000.000000
mean 66.367560 161.440357
std 3.847528 32.108439
min 54.263133 64.700127
25% 63.505620 135.818051
50% 66.318070 161.212928
75% 69.174262 187.169525
max 78.998742 269.989699
```
## Modificar DataFrame
### Crear DataFrame
Primero, creemos un DataFrame usando lo que aprendimos anteriormente:
```python
# importar pandas y numpy
import pandas as pd
import numpy as np
# datos
data = [
{"Name": "Juan Pérez", "Country":"China", "City":"Shanghái"},
{"Name": "Luis", "Country":"China", "City":"Pekín"},
{"Name": "Carlos", "Country":"China", "City":"Cantón"}]
# crear DataFrame
df = pd.DataFrame(data)
print(df)
```
```sh
Name Country City
0 Juan Pérez China Shanghái
1 Luis China Pekín
2 Carlos China Cantón
```
### Añadir nueva columna
```python
weights = [74, 78, 69]
df['Weight'] = weights
df
```
```sh
Name Country City Weight
0 Juan Pérez China Shanghái 74
1 Luis China Pekín 78
2 Carlos China Cantón 69
```
```python
heights = [173, 175, 169]
df['Height'] = heights
df
```
```sh
Name Country City Weight Height
0 Juan Pérez China Shanghái 74 173
1 Luis China Pekín 78 175
2 Carlos China Cantón 69 169
```
### Modificar valores de una columna
Podemos modificar una columna de tres maneras:
1. Asignación directa:
```python
df['Name'] = ['Miguel', 'Ana', 'Sofía']
df
```
```sh
Name Country City Weight Height
0 Miguel China Shanghái 74 173
1 Ana China Pekín 78 175
2 Sofía China Cantón 69 169
```
2. Modificando con loc:
```python
df.loc[1, 'Name'] = 'Lucía'
df
```
```sh
Name Country City Weight Height
0 Miguel China Shanghái 74 173
1 Lucía China Pekín 78 175
2 Sofía China Cantón 69 169
```
3. Modificando con iloc:
```python
print('Datos originales:\n', df)
df.iloc[1, 0] = 'Paco'
print('Datos modificados:\n', df)
```
```sh
Datos originales:
Name Country City Weight Height
0 Miguel China Shanghái 74 173
1 Lucía China Pekín 78 175
2 Sofía China Cantón 69 169
Datos modificados:
Name Country City Weight Height
0 Miguel China Shanghái 74 173
1 Paco China Pekín 78 175
2 Sofía China Cantón 69 169
```
### Formatear columnas del DataFrame
```python
# añadir columna BMI: peso(kg) / altura^2(m). Redondear a 2 decimales.
df['BMI'] = np.round(df['Weight'] / ((df['Height'] * 0.01) ** 2), 2)
print(df)
```
```sh
Name Country City Weight Height BMI
0 Miguel China Shanghái 74 173 24.73
1 Paco China Pekín 78 175 25.47
2 Sofía China Cantón 69 169 24.16
```
## Comprobar tipos de datos de columnas
```python
print(df.dtypes)
```
```sh
Name object
Country object
City object
Weight int64
Height int64
BMI float64
dtype: object
```
### Indexación booleana
```python
# crear DataFrame
df = pd.DataFrame({
'name': ['Juan', 'Luis', 'Carlos', 'Pedro'],
'country': ['China', 'Estados Unidos', 'Reino Unido', 'España'],
'age': [25, 15, 22, 28],
'empleado': [True, False, True, False]
})
print(df)
```
```sh
name country age empleado
0 Juan China 25 True
1 Luis Estados Unidos 15 False
2 Carlos Reino Unido 22 True
3 Pedro España 28 False
```
Filtrando edad > 20 y empleado == True:
```python
print(df[(df['age'] > 20) & (df['empleado'] == True)])
```
```sh
name country age empleado
0 Juan China 25 True
2 Carlos Reino Unido 22 True
```
## Ejercicios: Día 25
1. Lee el archivo [hacker_news.csv](../data/hacker_news.csv) y muestra las primeras cinco filas.
2. Obtén la columna de títulos.
3. Obtén el número de filas y columnas.
4. Obtén las primeras diez y las últimas diez filas.
5. Obtén la segunda y cuarta fila, columnas 2 a 4.
6. Filtra las filas cuyo tema sea Python.
7. Cuenta cuántas filas tienen tema Python.
8. Filtra las filas con votos mayores a 200.
9. Ordena el DataFrame por votos (ascendente).
10. Ordena el DataFrame por votos (descendente).
11. Excluye las filas con tema Python y ordena por votos.
🎉 ¡Felicidades! 🎉
[<< Día 24](./24_statistics_sp.md) | [Día 26 >>](./26_python_web_sp.md)