Manipulación de Datos con Pandas: Guía Completa para Ciencia de Datos

¡Da tus primeros pasos en la manipulación de datos con Pandas! En este tutorial completo te guiaré paso a paso para que aprendas a seleccionar, ordenar, agrupar y transformar datos en Pandas, preparándolos para análisis avanzados.

Objetivo: Aprender a usar las funciones de Pandas para manipular datos, incluyendo selección, ordenamiento, agregación y transformación.

Paso 1: Instalación e Importación

Instala pandas si aún no lo tienes. Abre tu terminal o prompt de comandos y escribe:

pip install pandas numpy

Una vez instalado, puedes importarlo en tu código Python:

import pandas as pd
import numpy as np

Paso 2: Crear un DataFrame de Ejemplo

Para practicar, crearemos un DataFrame de ejemplo:

data = {
    'Nombre': ['Ana', 'Luis', 'Carmen', 'Pedro', 'Sofía', 'Jorge'],
    'Edad': [25, 32, 28, 45, 23, 31],
    'Ciudad': ['Madrid', 'Barcelona', 'Madrid', 'Valencia', 'Barcelona', 'Sevilla'],
    'Salario': [35000, 42000, 38000, 55000, 31000, 48000],
    'Departamento': ['Ventas', 'TI', 'Ventas', 'RH', 'TI', 'Ventas']
}

df = pd.DataFrame(data)
print("DataFrame original:")
print(df)

Paso 3: Selección de Datos

Seleccionar Columnas

# Una columna (devuelve Series)
nombres = df['Nombre']

# Múltiples columnas (devuelve DataFrame)
sub_df = df[['Nombre', 'Edad', 'Salario']]

Seleccionar Filas

# Por índice
fila_2 = df.iloc[2]  # Tercera fila (índice 2)

# Por rango
primeras_3 = df.iloc[0:3]  # Primeras tres filas

# Por condición
madrid = df[df['Ciudad'] == 'Madrid']
salarios_altos = df[df['Salario'] > 40000]

Paso 4: Ordenamiento de Datos

# Ordenar por una columna
df_ordenado = df.sort_values('Salario')  # Ascendente
df_ordenado_desc = df.sort_values('Salario', ascending=False)  # Descendente

# Ordenar por múltiples columnas
df_ordenado_multi = df.sort_values(['Departamento', 'Salario'], ascending=[True, False])

Paso 5: Agregación de Datos

GroupBy

# Agrupar por departamento y calcular promedios
grupo_depto = df.groupby('Departamento')['Salario'].mean()
print("\nSalario promedio por departamento:")
print(grupo_depto)

# Múltiples operaciones de agregación
resumen = df.groupby('Departamento').agg({
    'Salario': ['mean', 'min', 'max', 'count'],
    'Edad': 'mean'
})
print("\nResumen por departamento:")
print(resumen)

Tablas Pivote

# Crear una tabla pivote
pivot = pd.pivot_table(df,
                       values='Salario',
                       index='Departamento',
                       columns='Ciudad',
                       aggfunc='mean',
                       fill_value=0)
print("\nTabla pivote: Salario promedio por Depto y Ciudad")
print(pivot)

Paso 6: Transformación de Datos

Crear Nuevas Columnas

# Basada en operaciones matemáticas
df['Salario_Anual_Bruto'] = df['Salario'] * 1.05  # Añadir 5% de bonus

# Basada en condiciones
df['Rango_Edad'] = np.where(df['Edad'] < 30, 'Joven', 'Senior')

# Usando funciones
def categorizar_salario(salario):
    if salario < 35000:
        return 'Bajo'
    elif salario < 45000:
        return 'Medio'
    else:
        return 'Alto'

df['Categoria_Salario'] = df['Salario'].apply(categorizar_salario)

Transformaciones con GroupBy

# Normalizar salarios dentro de cada departamento
df['Salario_Normalizado'] = df.groupby('Departamento')['Salario'].transform(
    lambda x: (x - x.mean()) / x.std()
)

Paso 7: Combinación de DataFrames

Concatenación

# Crear otro DataFrame
nuevos_empleados = pd.DataFrame({
    'Nombre': ['Elena', 'Diego'],
    'Edad': [29, 35],
    'Ciudad': ['Bilbao', 'Málaga'],
    'Salario': [39000, 51000],
    'Departamento': ['TI', 'Ventas']
})

# Concatenar verticalmente
df_completo = pd.concat([df, nuevos_empleados], ignore_index=True)

Uniones (MERGE)

# Crear DataFrame de departamentos
deptos = pd.DataFrame({
    'Departamento': ['Ventas', 'TI', 'RH'],
    'Jefe': ['Carlos', 'Ana', 'Marta'],
    'Presupuesto': [100000, 150000, 80000]
})

# Unir con el DataFrame principal
df_con_deptos = pd.merge(df, deptos, on='Departamento', how='left')

Paso 8: Manejo de Fechas y Tiempos

# Convertir a datetime
df_fechas = pd.DataFrame({
    'nombre': ['A', 'B', 'C'],
    'fecha': ['2023-01-15', '2023-02-20', '2023-03-10']
})

df_fechas['fecha'] = pd.to_datetime(df_fechas['fecha'])

# Extraer componentes
df_fechas['año'] = df_fechas['fecha'].dt.year
df_fechas['mes'] = df_fechas['fecha'].dt.month
df_fechas['dia_semana'] = df_fechas['fecha'].dt.day_name()

Paso 9: Operaciones con Texto

# Operaciones comunes en columnas de texto
df['Nombre_Mayusculas'] = df['Nombre'].str.upper()
df['Inicial'] = df['Nombre'].str[0]
df['Contiene_a'] = df['Nombre'].str.contains('a', case=False)

# Dividir texto
df[['Primer_Nombre', 'Apellido']] = df['Nombre'].str.split(' ', expand=True, n=1)

Paso 10: Reestructurar Datos

De Wide a Long Format con melt()

# Datos en formato ancho
df_wide = pd.DataFrame({
    'Nombre': ['Ana', 'Luis'],
    'Salario_2022': [35000, 42000],
    'Salario_2023': [37000, 44000]
})

# Derretir el DataFrame
df_long = pd.melt(df_wide,
                  id_vars=['Nombre'],
                  value_vars=['Salario_2022', 'Salario_2023'],
                  var_name='Año',
                  value_name='Salario')

Paso 11: Ejemplo Práctico Completo

# Análisis completo: Resumen salarial por ciudad y departamento
resumen_completo = (df
 .groupby(['Ciudad', 'Departamento'])
 .agg(Empleados=('Nombre', 'count'),
      Salario_Promedio=('Salario', 'mean'),
      Edad_Promedio=('Edad', 'mean'))
 .round(2)
 .sort_values('Salario_Promedio', ascending=False)
 .reset_index()
)

print("\nResumen completo por ciudad y departamento:")
print(resumen_completo)

Conclusión

¡Felicidades! Ahora dominas los fundamentos para manipular datos en Pandas. Practica con tus propios datasets y explora más funciones avanzadas. Si tienes preguntas, déjalas en los comentarios.

Para más tutoriales sobre ciencia de datos y Python, visita nuestra sección de tutoriales.

¡Con estos conocimientos ya puedes manipular datos en Python usando Pandas!

💡 Tip Importante

🔧 Mejores Prácticas para Manipulación de Datos

Para manipular datos de manera eficiente y efectiva, considera estos consejos:

• Usa el método encadenado para operaciones fluidas:

  resultado = (df
             .query('Salario > 35000')
             .groupby('Departamento')
             .agg({'Salario': 'mean'})
             .sort_values('Salario', ascending=False)
             .head(3))

• Emplea query() para filtros más legibles:

  df_filtrado = df.query('Edad >= 30 and Salario < 50000')

• Crea funciones de agregación personalizadas:

  def rango_salarial(series):
    return series.max() - series.min()
  
  df.groupby('Departamento')['Salario'].agg(rango_salarial)

• Aplica transformaciones a múltiples columnas:

  df[['Edad', 'Salario']] = df[['Edad', 'Salario']].apply(lambda x: x * 1.1)

📚 Documentación: Revisa la documentación completa de pandas para manipulación de datos aquí

¡Estos consejos te ayudarán a manipular datos como un experto!