Curso de introducción a la programación con Python

Autor: Luis Fernando Apáez Álvarez

Clase 1: DataFrames (parte I)

• Creando un DataFrame a partir de un diccionario
• DataFrames a partir de datos externos

Pandas es una biblioteca de código abierto que proporciona estructuras de datos y herramientas de análisis de datos de alto rendimiento, donde el DataFrame es una de sus más importantes estructuras de datos. Los DataFrames poseen una idea similar a lo que son las hojas de cálculo en Excel o a una tabla en SQL.

Creando un DataFrame a partir de un diccionario

Podemos crear nuestro primer DataFrame utilizando un diccionario como base para nuestros datos, para ello utilizaremos pd.DataFrame() que recive como parámetro el nombre del diccionario en cuestión. Por ejemplo

# Importamos el módulo necesario
import pandas as pd

# Creamos el diccionario
dict1 = {
    'País': ['Brazil', 'Rusia', 'India', 'China', 'Japón'],
    'Capital': ['Brasilia', 'Moscú', 'Nueva Delhí', 'Beijing', 'Tokio'],
    'Población': [200.4, 140, 1300, 1500, 500]
}

# Creamos el DataFrame
d1 = pd.DataFrame(dict1)

# Veamos el DataFrame creado
d1

	País	Capital	Población
0	Brazil	Brasilia	200.4
1	Rusia	Moscú	140.0
2	India	Nueva Delhí	1300.0
3	China	Beijing	1500.0
4	Japón	Tokio	500.0

donde de manera automática se crea una primer columna con un índece por defecto de la filas. Podemos cambiarlo utilizando

# redefinimos el índice por defecto con los valores que deseamos colocar
d1.index = ['BR', 'RU', 'IN', 'CH', 'JA']

# veamos ahora nuestro DataFrame
d1

	País	Capital	Población
BR	Brazil	Brasilia	200.4
RU	Rusia	Moscú	140.0
IN	India	Nueva Delhí	1300.0
CH	China	Beijing	1500.0
JA	Japón	Tokio	500.0

DataFrames a partir de datos externos

Por lo general, cuando se trabaja con DataFrames suelen tener cantidades grandes de datos, por lo que no se crean éstos de manera manual, siendo lo usual importar datos de otros lados y crear los DataFrames a partir de ellos. Por ejemplo, podemos crear un DataFrame extrayendo datos de un archivo csv de un sitio web como sigue

# Creamos el DataFrame a partir de los datos de una sitio web,
# donde como paramétro de pd.read_csv() pondremos la dirección web de dicho sitio

d2 = pd.read_csv("https://ndownloader.figshare.com/files/2292172")

# veamos el DataFrame
d2

	record_id	month	day	year	plot_id	species_id	sex	hindfoot_length	weight
0	1	7	16	1977	2	NL	M	32.0	NaN
1	2	7	16	1977	3	NL	M	33.0	NaN
2	3	7	16	1977	2	DM	F	37.0	NaN
3	4	7	16	1977	7	DM	M	36.0	NaN
4	5	7	16	1977	3	DM	M	35.0	NaN
...	...	...	...	...	...	...	...	...	...
35544	35545	12	31	2002	15	AH	NaN	NaN	NaN
35545	35546	12	31	2002	15	AH	NaN	NaN	NaN
35546	35547	12	31	2002	10	RM	F	15.0	14.0
35547	35548	12	31	2002	7	DO	M	36.0	51.0
35548	35549	12	31	2002	5	NaN	NaN	NaN	NaN

35549 rows × 9 columns

y notemos como Python al final de la salida nos indica que hay 35549 filas en dicho DataFrame.

Consideremos otro ejemplo, en este caso crearemos un DataFrame a partir de tres listas como sigue

# Consideramos las listas

nombres = ['United States', 'Australia', 'Japan', 'India', 'Russia', 'Morocco', 'Egypt']
md =  [True, False, False, False, True, True, True]
cpc = [809, 731, 588, 18, 200, 70, 45]

# Creamos un diccionario a partir de las tres listas anteriores

mi_dict = {'nombres': nombres, 'maneja_derecha': valor, 'carros_per_cap': codigo}

# Creamos el DataFrame

carros = pd.DataFrame(mi_dict)

# Veamos el DataFrame

carros

	nombres	maneja_derecha	carros_per_cap
0	United States	True	809
1	Australia	False	731
2	Japan	False	588
3	India	False	18
4	Russia	True	200
5	Morocco	True	70
6	Egypt	True	45

podemos modificar la columna de los índices dados por defecto

# modificando primer columna de índices dados por defecto

carros.index = ['EU','AU', 'JA', 'IN', 'RU', 'MO', 'EG']

# Veamos nuestro DataFrame

carros

	nombres	maneja_derecha	carros_per_cap
EU	United States	True	809
AU	Australia	False	731
JA	Japan	False	588
IN	India	False	18
RU	Russia	True	200
MO	Morocco	True	70
EG	Egypt	True	45

Cuando creamos un DataFrame utilizando datos externos, por defecto se creará la columna de índices como en el ejemplo anterior, sin embargo, en muchos casos la información externa posee su propia primer columna por lo que la creada por defecto muchas veces está de más. Para especificar que tomaremos como primer columna la columna de los datos externos agregamos index_col = 0 al parámetro donde "leemos" la información externa y creamos el DataFrame. Por ejemplo

d2 = pd.read_csv("https://ndownloader.figshare.com/files/2292172", index_col = 0)

# veamos el DataFrame
d2

	month	day	year	plot_id	species_id	sex	hindfoot_length	weight
record_id
1	7	16	1977	2	NL	M	32.0	NaN
2	7	16	1977	3	NL	M	33.0	NaN
3	7	16	1977	2	DM	F	37.0	NaN
4	7	16	1977	7	DM	M	36.0	NaN
5	7	16	1977	3	DM	M	35.0	NaN
...	...	...	...	...	...	...	...	...
35545	12	31	2002	15	AH	NaN	NaN	NaN
35546	12	31	2002	15	AH	NaN	NaN	NaN
35547	12	31	2002	10	RM	F	15.0	14.0
35548	12	31	2002	7	DO	M	36.0	51.0
35549	12	31	2002	5	NaN	NaN	NaN	NaN

35549 rows × 8 columns