Skip to content

Commit

Permalink
Update pandas-python-ejemplos.md
Browse files Browse the repository at this point in the history
  • Loading branch information
@tommygonzaleza
tommygonzaleza authored Apr 23, 2024
1 parent 445c9f6 commit 6ee565e
Showing 1 changed file with 15 additions and 77 deletions.
92 changes: 15 additions & 77 deletions src/content/how-to/pandas-python-ejemplos.md
View file
Original file line number Diff line number Diff line change
@@ -1,10 +1,14 @@
---
title: "Ejemplos de Python Pandas"
subtitle: "Explora ejemplos prácticos del uso de Pandas en Python. Aprende cómo realizar manipulaciones de datos y análisis utilizando esta librería."
tags: ["Python", "Pandas"]
authors: [tommygonzaleza]

---

## Librería Pandas Ejemplos
Pandas es una librería de Python que te permite manipular, transformar y visualizar datos de una manera muy eficiente. Esta librería ofrece varias estructuras de datos, una de las más populares es el [DataFrame](https://4geeks.com/es/lesson/pandas-dataframe) con el que puedes representar en filas y columnas un conjunto de información. Si quieres practicar Pandas con ejercicios prácticos de manera instantánea, y con tests automatizados, te recomendamos este [tutorial de pandas para machine learning](https://4geeks.com/es/interactive-exercise/tutorial-pandas-para-machine-learning) gratis. En el siguiente ejemplo veremos cómo utilizar los métodos de esta librería y cómo pueden ayudarte a visualizar la información de una forma más clara e intuitiva. Aquí un breve ejemplo sobre cómo un uso básico de un DataFrame.

Pandas es una librería de Python que te permite manipular, transformar y visualizar datos de una manera muy eficiente. Esta librería ofrece varias estructuras de datos, una de las más populares es el **DataFrame** con el que puedes representar en filas y columnas un conjunto de información. En el siguiente ejemplo veremos cómo utilizar los métodos de esta librería y cómo pueden ayudarte a visualizar la información de una forma más clara e intuitiva. Aquí un breve ejemplo sobre cómo un uso básico de un DataFrame.

```py
```py runable=true
import pandas as pd

usuarios = {
Expand All @@ -21,26 +25,17 @@ mayores_de_edad = usuarios_df[usuarios_df["Edad"] >= 18]
print(mayores_de_edad)
```

> output del código:
```bash
Nombre Apellido Email Telefono Edad
1 María López [email protected] 456-987-6543 27
2 Carlos Rodríguez [email protected] 789-567-8901 22
3 Ana Pérez [email protected] 654-234-5678 30
```

Para poder utilizar la librería de Pandas en tu entorno de trabajo primero necesitas importar el módulo de Pandas, puedes hacerlo con la siguiente sintaxis `import pandas as pd`, es una buena práctica importar el módulo con el alias de `pd` pero esto último es opcional. Después creamos un dataset de información con la ayuda de la clase de Pandas `DataFrame()`, la cual recibe como argumento un objeto que contiene las columnas para el DataFrame y cada columna debe contener un array con los valores para esa columna. Luego buscamos todos los usuarios que sean mayores de 18 años y los guardamos en la variable `mayores_de_edad`, por último imprimimos estos usuarios en la consola. Este es un pequeño ejemplo sobre como puedes usar los métodos de pandas para visualizar y organizar un conjunto de información.

## Ejemplos de uso más comunes

La librería de pandas tiene múltiples casos de uso, desde modificar los valores de un conjunto de elementos hasta realizar el proceso de limpieza de datos en áreas como en la ciencia de datos o en el machine learning. A continuación veremos algunos de los casos de uso más frecuentes.
La librería de [pandas](https://4geeks.com/es/lesson/pandas-en-python) tiene múltiples casos de uso, desde modificar los valores de un conjunto de elementos hasta realizar el proceso de limpieza de datos en áreas como en la ciencia de datos o en el machine learning. A continuación veremos algunos de los casos de uso más frecuentes.

### 1. Modificar datos

Uno de los usos más comunes de la librería de pandas es para modificar los campos de un dataset de información, en el siguiente ejemplo veremos como podemos modificar una de las columnas de un DataFrame de usuarios con ayuda de los métodos de pandas.

```py
```py runable=true
import pandas as pd

usuarios = {
Expand All @@ -61,24 +56,13 @@ usuarios_df["Telefono"] = usuarios_df["Telefono"].apply(modificar_sintaxis)
print(usuarios_df)
```

> output del código:
```bash
Nombre Apellido Email Telefono Edad
0 Juan Gómez [email protected] (123) 123-4567 12
1 María López [email protected] (456) 987-6543 27
2 Carlos Rodríguez [email protected] (789) 567-8901 22
3 Ana Pérez [email protected] (654) 234-5678 30
4 Luis Martínez [email protected] (963) 678-9012 16
```

Como puedes ver, modificar los elementos de un conjunto de datos es muy sencillo con ayuda de pandas, en este ejemplo, hacemos uso del método [apply de pandas](https://4geeks.com/es/how-to/pandas-apply) para aplicar una función a todos los elementos de la columna `Telefono` y modificar su sintaxis, este método también puede recibir una función **lambda** para realizar los cambios en la columna.

### 2. Ordenar datos

También puedes utilizar métodos de pandas para ordenar un conjunto de datos, a continuación veremos un pequeño ejemplo.

```py
```py runable=true
import pandas as pd

usuarios = {
Expand All @@ -95,24 +79,13 @@ df_ordenado = usuarios_df.sort_values(by='Edad', ascending=False)
print(df_ordenado)
```

> output del código:
```bash
Nombre Apellido Email Telefono Edad
3 Ana Pérez [email protected] 654-234-5678 30
1 María López [email protected] 456-987-6543 27
2 Carlos Rodríguez [email protected] 789-567-8901 22
4 Luis Martínez [email protected] 963-678-9012 16
0 Juan Gómez [email protected] 123-123-4567 12
```

En este ejemplo tenemos un DataFrame con información de varios usuarios, para poder ordenar este DataFrame en base a la edad de los usuarios debemos hacer uso del método [sort_values](https://pandas.pydata.org/docs/reference/api/pandas.DataFrame.sort_values.html#pandas.DataFrame.sort_values) de pandas, este método nos permite organizar la columna de un DataFrame con ayuda del parámetro `by` que le indica al método la columna que debe ordenar, además puede recibir el parámetro `ascending` que recibe un valor booleano y determina si se debe realizar la ordenación de forma ascendente o descendente.

### 3. Agregar nuevos datos

Con los métodos de pandas también puedes agregar nuevas columnas junto con sus valores a un DataFrame de información.

```py
```py runable=true
import pandas as pd

usuarios = {
Expand All @@ -129,24 +102,13 @@ usuarios_df["Nombre Completo"] = usuarios_df["Nombre"] + " " + usuarios_df["Apel
print(usuarios_df)
```

> output del código:
```bash
Nombre Apellido Email Telefono Edad Nombre Completo
0 Juan Gómez [email protected] 123-123-4567 12 Juan Gómez
1 María López [email protected] 456-987-6543 27 María López
2 Carlos Rodríguez [email protected] 789-567-8901 22 Carlos Rodríguez
3 Ana Pérez [email protected] 654-234-5678 30 Ana Pérez
4 Luis Martínez [email protected] 963-678-9012 16 Luis Martínez
```

En este ejemplo, tenemos un DataFrame de usuarios al cual le agregamos la columna `Nombre Completo`, para esto simplemente necesitamos combinar las columnas `Nombre` y `Apellido` en una sola. También puedes agregar más columnas con nueva información pero recuerda que debe tener la misma cantidad de filas que las demás columnas de lo contrario te arrojará un error en la consola.

### 4. Limpieza de datos

Otro uso bastante común de la librería de pandas es la limpieza de datos en data science o en machine learning. En el siguiente ejemplo veremos un poco más a fondo este concepto:

```py
```py runable=true
import pandas as pd

usuarios = {
Expand All @@ -161,42 +123,18 @@ usuarios_df = pd.DataFrame(usuarios)
print(usuarios_df)
```

> output del código:
```bash
Nombre Apellido Email Telefono Edad
0 juan Gómez [email protected] 123-123-4567 12
1 María López [email protected] 456-987-6543 27
2 Carlos None [email protected] None 22
3 ana Pérez [email protected] 654-234-5678 30
4 luis Martínez [email protected] 963-678-9012 16
5 ana Pérez [email protected] 654-234-5678 30
```

En este DataFrame de usuarios tenemos varias filas con el valor `None` y además tenemos una fila duplicada lo puede complicar el proceso de análisis con estos datos, para solucionar esto debemos hacer lo que se conoce como limpieza de datos (Data Cleaning) como se muestra en el siguiente código:

```py
```py runable=true
usuarios_df = usuarios_df.drop_duplicates()
usuarios_df = usuarios_df.dropna()
usuarios_df["Nombre"] = usuarios_df["Nombre"].apply(lambda nombre: nombre.capitalize())

print(usuarios_df)
```
> output del código:
```bash
Nombre Apellido Email Telefono Edad
0 Juan Gómez [email protected] 123-123-4567 12
1 María López [email protected] 456-987-6543 27
3 Ana Pérez [email protected] 654-234-5678 30
4 Luis Martínez [email protected] 963-678-9012 16
```

En este ejemplo, primero utilizamos el método [drop_duplicates](https://pandas.pydata.org/docs/reference/api/pandas.DataFrame.drop_duplicates.html) esto eliminará todas las filas que estén duplicadas dentro del DataFrame, después utilizamos el método [dropna](https://pandas.pydata.org/docs/reference/api/pandas.DataFrame.dropna.html) que elimina todas las filas que tengan el valor de `None` y por último, algunas filas en la columna **Nombre** empiezan con una letra minúscula lo cual no coincide con el resto de las filas y columnas, para solucionar esto hacemos uso del método [capitalize](https://docs.python.org/es/3/library/stdtypes.html?highlight=capitalize#str.capitalize) y de esta forma organizar todas las filas y columnas con una sola sintaxis. Ahora ya tenemos un DataFrame mucho más organizado y listo para utilizarse en cualquier tipo de análisis.

## Conclusión

La libreria de [pandas](https://4geeks.com/es/lesson/introduccion-a-pandas) es una herramienta esencial para cualquier programador ya sea que estés trabajando en la ciencia de datos, en machine learning o incluso en otras áreas de la programación esta librería te será muy útil para manipular y analizar grandes conjuntos de datos, además puedes combinarla junto con otras librerías como [numpy](https://4geeks.com/es/lesson/introduccion-a-numpy) o [matplotlib](https://4geeks.com/es/lesson/introduccion-a-matplotlib) para manipular y visualizar datos de una manera mucho más profesional.

Si te intereza conocer más acerca de la librería de pandas te recomiendo que visites el [tutorial de pandas para machine learning](https://4geeks.com/es/interactive-exercise/tutorial-pandas-para-machine-learning) de 4Geeks, donde aprenderás los conceptos básicos acerca de esta librería y algunos de sus usos más importantes. Espero que este artículo te haya sido de utilidad, recuerda seguir practicando tus habilidades con esta librería y la dominarás en muy poco tiempo.

¡Diviértete en tu ruta de aprendizaje! 😉👋
En este artículo, hemos explorado una variedad de ejemplos prácticos que abarcan desde la modificación y ordenamiento de datos hasta la limpieza y agregación de información utilizando Pandas en Python. Te alentamos a seguir explorando y experimentando con Pandas para descubrir aún más posibilidades y mejorar tus habilidades en el análisis de datos. Para continuar tu viaje de aprendizaje en Python, Pandas y análisis de datos, te invitamos a probar nuestro self-paced bootcamp de [ciencia de datos y machine learning](https://4geeks.com/es/bootcamp/data-science-and-ml) en 4Geeks.com, donde podrás adquirir todos los conocimientos y habilidades para poder conseguir tu primer trabajo como científico de datos!

0 comments on commit 6ee565e

Please sign in to comment.