Series y DataFrames en Pandas

La clase estuve muy bien. Solo tengo un comentario. Al minuto 11:25 se vuelve a repetir una parte del vídeo.

Me parece que no habría que usar “dict” como nombre de variable ya que es una palabra reservada del lenguaje.

PANDAS

Manipulación y análisis de datos. El nombre viene de “Panel data”.
• Velocidad
• Poco código
• Múltiples formatos de archivos
• Alineación inteligente

Pandas Series

Es muy parecido a un array de una dimensión (o vector) de NumPy.
• Arreglo unidimensional indexado
• Búsqueda por índice
• Slicing
• Operaciones aritméticas
• Distintos tipos de datos

Pandas DataFrame

Muy parecido a las estructuras matriciales trabajadas con NumPy.
• Estructura principal
• Arreglo de dos dimensiones
• Búsqueda por índice (columnas o filas)
• Slicing
• Operaciones aritméticas
• Distintos tipos de datos
• Tamaño variable

Messu=Messi + Siiuuuuuuuu

También se pueden construir DataFrames con listas que contengan diccionarios:

(enlace del notion donde recopilo aportes de la clase)

Series y Dataframes

PANDAS

Pandas es una librería de Python especializada en el manejo y análisis de estructuras de datos. Se caracterisa por su:

• Velocidad

• Poco código

• Múltiples formatos de archivos

• Alineación inteligente

Crear una serie

• Serie con index personalizado

psdg_players = pd.Series(
['Navas','Mbappe','Neymar','Messi'],
index=[1,7,10,30]
)
psdg_players

• Serie con index default

psdg_players = pd.Series(['Navas','Mbappe','Neymar','Messi'])
psdg_players

• Serie con diccionario JSON

dictionary = {1: 'Navas', 7:'Mbappe', 10:'Neymar', 30:'Messi'}
pd.Series(dictionary)

Slicing

# Funciona igual que Numpy
psdg_players[0:3]

Dataframe Matricial

dictionary = {'jugador':['Navas','Mbappe','Neymar','Messi'],
'altura':[183.0, 170.0, 170.0, 165.0],
'goles':[2, 200, 200, 200]
}

• Dataframe con index personalizado

pd.DataFrame(dictionary, index=[1,7,10,30])

• Dataframe con index default

pd.DataFrame(dictionary)

Visualizar Ejes DataFrame

df_Players = pd.DataFrame(dictionary)
df_Players

• Visualziar Data por Columnas

df_Players.columns

• Visualizar Data por Indices

  • Indice default

    df_Players.index
    

  • Indice Personalizado

    df_Players = pd.DataFrame(dictionary, index=[1,7,10,30])
    df_Players.index
    

Reto

• Aplicar lo aprendido en clases con el JSON dado

dataframe_reto = {
'Jugador':['Luis Suárez','Jorge Molina', 'Antonio Puertas', 'Germán Sánchez', 'Luis Milla', 'Luís Manuel Arantes Maximiano'],
'Posición':['Delantero', 'Delantero', 'Centrocampista', 'Defensa', 'Centrocampista', 'Portero'],
'Número':[9, 23, 10, 6, 5, 1],
'Altura':[185.0, 187.0, 185.0, 187.0, 175.0, 190.0],
'Goles':[7, 7, 5, 2, 2, 0]
}

#Compruebo que el largo del JSON este bien en todos los arrays
for i in dataframe_reto:
	print(len(dataframe_reto[i]))

granadaCF_players = pd.DataFrame(dataframe_reto, index=dataframe_reto['Número'])
granadaCF_players

Así les quedaría en el notion

Esta parte del curso es toda con datasets.
Les dejo uno que me pareció divertido y me fue muy útil para practicar las clases de este módulo.
Es un dataset de pokemon–>link. Está super bien construido, con muchas columnas de distintos tipos y toda la info perfectamente cargada.

Algo curioso que noté es que al momento de llamar a pd.Series es necesario que la “S” de Series esté en mayúscula. De lo contrario no lo reconoce.

Comparto mi aporte, aunque no es del granada fc

<code> formula1 = pd.DataFrame(
    {
        'Nombre':['Charles Leclerc','Carlos Sainz','Lewis Hamilton','George Russell', 'Max Verstapen','Sergio Perez','Lando Norris', 'Daniel Ricciardo'],
        'Equipo':['Ferrari','Ferrari','Mercedes','Mercedes','RedBull','RedBull','Mclaren','Mclaren'],
        'Pais':['Monaco','España','Reino Unido','Reino Unido','Paises Bajos','Mexico','Reino Unido', 'Australia'],
        'Edad':['24','27','37','24','24','32','22','32'],
        'Numero':['16','55','44','63','1','11','4','3'],
        'Podios':['16','8','183','2','53','12','3','32'],
        'Victorias':['4','0','103','0','21','2','0','8']
    }
)
formula1  

Exploración de un pandas DataFrame

En la clase conocimos la estructura central de pandas, el DataFrame, que permite almacenar datos tabulares: cada fila es una observación y cada columna una propiedad. Aquí voy a enlistar los tres métodos que considero más útiles para familizarte con un nuevo DataFrame con el que estés comenzando a trabajar.
.

Método .head()

Éste método permite ver, por defecto, las cinco primeras filas de un DataFrame. Por supuesto, puedes pasar como argumento el número de filas que deseas ver.
.

.

Método .info()

Este método te muestra los nombres de las columnas del DataFrame, la cantidad de valores nulos en cada una y el data type que contienen.
.

.

Método .describe()

Devuelve un DataFrame con estadísticos básicos para cada columna de tu DataFrame original. Es epecialmente útil para columnas que contienen datos numéricos.
.

Mi dataframe y mis apuntes aqui

Aqui les comparto mi DataFrame, lo organice para mostrar jugadores con respecto a los datos.

Hola, yo quise hacer un data frame con los jugadores de la selección colombia del mundial 2014 especialmente el partido Colombia vs Uruguay.

<
jugadores_Col_2014 = {
    'Nombre':['David Ospina','Cristian Zapata','Mario Yepes','Pablo Armero',
              'Juan Zuñiga','Carlos Sanchez','Abel Aguilar','James Rodriguez',
              'Juan Guillermo Cuadrado','Teofilo Gutierrez','Jackson Martinez'],
    'Posición':['AR','DF','DF','DF','DF','MC','MC','MC','MC','DL','DL'],
    'Dorsal' : [1,2,3,7,18,6,8,10,11,9,21],
    'Club Actual':['Al-Nassar FC','San Lorenzo de Almagro','Retirado',
                   'Retirado','Retirado','Santa Fe','Retirado','AL-Rayyan SC',
                   'Juventus','Deportivo Cali','Retirado'],
}

jugadores_COL_vs_URU_2014 = pd.DataFrame(jugadores_Col_2014)
jugadores_COL_vs_URU_2014
> 

Pandas 🐼

–

Pandas es una librería de Python especializada en el manejo y análisis de estructuras de datos
–
Pandas → Analitica, manipulacion y procesamiento de datos
[Panel Data]

–

Import pandas as pd
–
Series y DataFrames
1ero ✅ Parecido a arrays 1 Dimendios
2do ✅ Array pero de forma matricial
[ Col → Indice ; Fil → clave ] es como un diccionario
–
☑️ Velocidad
☑️ Poco código
☑️ Múltiples formatos de archivos
☑️ Alineación inteligente

Series

• Es un arreglo unidimensional indexado

import pandas as pd

#definiendo una lista con indices especificos
psg_players = pd.Series(['Navas','Mbappe','Neymar','Messi'],
              index=[1,7,10,30])
psg_players ----> 1      Navas
									7     Mbappe
									10    Neymar
									30     Messi
									dtype: object

• Permite hacer busqueda por indices

psg_players[2]
-----> 'Neymar'

• Busqueda mediante Slicing

psg_players[0:3]
-----> 0     Navas
			 1    Mbappe
       2    Neymar
			 dtype: object

Pandas

• Similar a la estrucutra matricial. Arreglo de dos dimensiones

dict = {'Jugador':['Navas','Mbappe','Neymar','Messi'],
 'Altura':[183.0, 170.0, 170.0, 163.0],
  'Goles':[2, 200, 150, 500]}
df_players = pd.DataFrame(dict)
----->   Jugador Altura Goles
			 0 Navas    183    2
			 1 Mbappe   170    200
			 2 Neymar   170    150
			 3 Messi    163    500

• Busqueda por indices. Columnas

df_players.columns
------> Index(['Jugador', 'Altura', 'Goles'], dtype='object')

• Busqueda por indice.

df_players.index
------> RangeIndex(start=0, stop=4, step=1)

Aquí mi reto:
.

Hay distintas formas de crear un data frame, alguno de ellos.

1. Desde un diccionario de listas (metodo visto en clase).

2. Desde una matriz estructurada o de registros.

3. Desde una lista de diccionarios.

4. Desde una lista de series.
   Fuente https://pandas.pydata.org/docs/user_guide/dsintro.html
   DATOS:
   ‘Jugador’:[‘Luis Suárez’,‘Jorge Molina’, ‘Antonio Puertas’, ‘Germán Sánchez’, ‘Luis Milla’, ‘Luís Manuel Arantes Maximiano’]
   ‘Posición’:[‘Delantero’, ‘Delantero’, ‘Centrocampista’, ‘Defensa’, ‘Centrocampista’, ‘Portero’]
   ‘Número’:[9, 23, 10, 6, 5, 1]
   ‘Altura’:[185.0, 187.0, 185.0, 187.0, 175.0, 190.0]
   ‘Goles’:[7, 7, 5, 2, 2, 0]

5. Desde un diccionario de listas (metodo visto en clase)

import pandas as pd
dictDeListas = {'Jugador':['Luis Suárez','Jorge Molina', 'Antonio Puertas', 'Germán Sánchez', 'Luis Milla', 'Luís Manuel Arantes Maximiano'],
 'Posicion':['Delantero', 'Delantero', 'Centrocampista', 'Defensa', 'Centrocampista', 'Portero'],
 'Altura':[185.0, 187.0, 185.0, 187.0, 175.0, 190.0],
 'Goles':[7, 7, 5, 2, 2, 0]
 }  
df_dictDeListas = pd.DataFrame(dict_granadafc,index=[9, 23, 10, 6, 5, 1])
df_dictDeListas

1. Desde una matriz estructurada NUMPY
   Defino la estructura y los elemento de la matriz NUMPY

import numpy as np
npMatiz6x4 = np.zeros((6,), dtype=[("Jugador", "a30"), ("Posicion", "a15"), ("Altura", "f4"), ("Goles", "i4")])
npMatiz6x4[:] = [("Luis Suarez","Delantero",185.0,7),("Jorge Molina","Delantero",187.0,7),("Antonio Puertas","Centrocampista",185.0,5),("German Sanchez","Defensa",187.0,2),("Luis Milla","Centrocampista",175.0,2),("Luis Manuel Arantes Maximiano","Portero",190.0,0)]
npMatiz6x4

array([(b’Luis Suarez’, b’Delantero’, 185., 7),
(b’Jorge Molina’, b’Delantero’, 187., 7),
(b’Antonio Puertas’, b’Centrocampista’, 185., 5),
(b’German Sanchez’, b’Defensa’, 187., 2),
(b’Luis Milla’, b’Centrocampista’, 175., 2),
(b’Luis Manuel Arantes Maximiano’, b’Portero’, 190., 0)],
dtype=[(‘Jugador’, ‘S30’), (‘Posicion’, ‘S15’), (‘Altura’, ‘<f4’), (‘Goles’, ‘<i4’)])

df_npMatiz6x4 = pd.DataFrame(npMatiz6x4,index=[9, 23, 10, 6, 5, 1])
#np_Matiz6x4

1. Desde una lista de diccionarios

listadic = [{"Jugador":"Luis Suárez","Posicion":"Delantero","Altura":185,"Goles":7},
          {"Jugador":"Jorge Molina","Posicion":"Delantero","Altura":187,"Goles":7},
          {"Jugador":"Antonio Puertas","Posicion":"Centrocampista","Altura":185,"Goles":5},
          {"Jugador":"Germán Sánchez","Posicion":"Defensa","Altura":187,"Goles":2},
          {"Jugador":"Luis Milla","Posicion":"Centrocampista","Altura":175,"Goles":2},
          {"Jugador":"Luís Manuel Arantes Maximiano","Posicion":"Portero","Altura":190,"Goles":0}]

listadic

[{‘Altura’: 185,
‘Goles’: 7,
‘Jugador’: ‘Luis Suárez’,
‘Posicion’: ‘Delantero’},
{‘Altura’: 187,
‘Goles’: 7,
‘Jugador’: ‘Jorge Molina’,
‘Posicion’: ‘Delantero’},
{‘Altura’: 185,
‘Goles’: 5,
‘Jugador’: ‘Antonio Puertas’,
‘Posicion’: ‘Centrocampista’},
{‘Altura’: 187,
‘Goles’: 2,
‘Jugador’: ‘Germán Sánchez’,
‘Posicion’: ‘Defensa’},
{‘Altura’: 175,
‘Goles’: 2,
‘Jugador’: ‘Luis Milla’,
‘Posicion’: ‘Centrocampista’},
{‘Altura’: 190,
‘Goles’: 0,
‘Jugador’: ‘Luís Manuel Arantes Maximiano’,
‘Posicion’: ‘Portero’}]

df_listadic = pd.DataFrame(listadic,index=[9, 23, 10, 6, 5, 1])
#df_listadic

1. Desde una lista de series

listaSeries = {
      "Jugador" : pd.Series(["Luis Suárez","Jorge Molina","Antonio Puertas","Germán Sánchez","Luis Milla","Luís Manuel Arantes Maximiano"],index=[9, 23, 10, 6, 5, 1]),
      "Posicion": pd.Series(["Delantero","Delantero","Centrocampista","Defensa","Centrocampista","Portero"],index=[9, 23, 10, 6, 5, 1]),
      "Altura"  : pd.Series([185,187,185,187,175,190],index=[9, 23, 10, 6, 5, 1]),
      "Goles"   : pd.Series([7,7,5,2,2,0],index=[9, 23, 10, 6, 5, 1])
}
listaSeries

{‘Altura’: 9 185
23 187
10 185
6 187
5 175
1 190
dtype: int64, ‘Goles’: 9 7
23 7
10 5
6 2
5 2
1 0
dtype: int64, ‘Jugador’: 9 Luis Suárez
23 Jorge Molina
10 Antonio Puertas
6 Germán Sánchez
5 Luis Milla
1 Luís Manuel Arantes Maximiano
dtype: object, ‘Posicion’: 9 Delantero
23 Delantero
10 Centrocampista
6 Defensa
5 Centrocampista
1 Portero
dtype: object}

df_listaSeries = pd.DataFrame(listaSeries)
#df_listaSeries

Como pequeño aporte le añadí unos gráficos:

El código que emplee fue:

import matplotlib.pyplot as plt
import seaborn as sns 

# Graficando
plt.figure(figsize=(12, 6))

# Gráfico de barras para los goles
plt.subplot(1, 2, 1)
sns.barplot(x='Jugador', y='Goles', data=gt_Players, palette='viridis', legend=False)
plt.title('Goles de los Jugadores')
plt.xlabel('Jugador')
plt.ylabel('Goles')
plt.xticks(rotation=45)  # Rotar las etiquetas de los jugadores para mejor legibilidad

# Gráfico de barras para la altura
plt.subplot(1, 2, 2)
barplot = sns.barplot(x='Jugador', y='Altura', data=gt_Players, palette='viridis', legend=False)
plt.title('Altura de los Jugadores')
plt.xlabel('Jugador')
plt.ylabel('Altura (cm)')
plt.xticks(rotation=45)  # Rotar las etiquetas de los jugadores para mejor legibilidad

# Añadir etiquetas de datos dentro de cada barra
for p in barplot.patches:
    barplot.annotate(format(p.get_height(), '.1f'), 
                     (p.get_x() + p.get_width() / 2., p.get_height()), 
                     ha = 'center', va = 'center', 
                     xytext = (0, -10), 
                     textcoords = 'offset points')

plt.tight_layout()
plt.show()

Pandas
Es la librerpia de Python que nos permite trabajar con DataFrames basada en NumPy; maneja dos tipos de datos

• Series: Arreglo unidimensional indexado: my_serie = pd.Series(data), admite el parámetro index que nos premite nombrar el índice al momento de declarar la variable; tambien podemos declarar la serie por medio de diccionarios.
• DataFramen: Arreglo de dos dimensiones (matricial): my_dataframe = pd.DataFrame(data)

A diferencia de NumPy permite almacenar distintos tipos de datos.
Para referirnos a los datos almacenados usamos los indices y el nombre de columnas.

Mi resumen #12 (Notion + Notas de Cornell)

Oye, hay un error. Este video debería estar antes de Cómo cargar archivos en Pandas. Están al revés el 11 y el 12.

Algunas de las características de Pandas DataFrame son:

• Arrays con estructura matricial
• Búsqueda por índice (columnas o filas)
• Slicing
• Operaciones aritméticas
• Distintos tipos de datos
• Tamaño variable

Me encanto este ejercicio con pandas el cual tiene como finalidad aprender y mejorar nuestras tablas de manera especifica. Ademas simplifica bastante codigo en python gracias a sus librerias.
Aqui esta mi reto:
![](

genial clase!

Mi aporte :

✅

golazo!

En esta clase sobre pandas aprendi que los dataframes son estructuras matriciales que nos permiten ver informacion mas compacta y con gran cantidad de elementos. Tambien que se pueden crear a partir de diccionarios y en su defecto a partir tambien de lista de diccionarios, es decir, siempre debe estar el conjunto llave\valor.
.
A continuacion presento mi solucion al reto:
.

No se ingresan por el index como dice el, se accede es por key

chelsea = {'Jugador': ['Drogba','Lampard','Terry','Cech', 'Kanté'],
    'dorsal': [11, 8, 26, 1, 7],
    'posicion': ['delantero', 'volante 8', 'defensa central', 'arquero','volante recuperador'],
    'Pierna': ['derecha', 'derecha', 'derecha', 'izquierda', 'derecha'],
    'goles': [164.0, 211.0, 67.0, 0.0, 13.0],
    'partidos': [381, 648.0, 717.0, 494.0, 269.0]
}

df.describe()
Número Altura Goles
count 6.000000 6.000000 6.000000
mean 9.000000 184.833333 3.833333
std 7.563068 5.154286 2.926887
min 1.000000 175.000000 0.000000
25% 5.250000 185.000000 2.000000
50% 7.500000 186.000000 3.500000
75% 9.750000 187.000000 6.500000
max 23.000000 190.000000 7.000000

from pandas.core.internals.base import Index
dict2={‘Jugador’:[‘Luis Suárez’,‘Jorge Molina’, ‘Antonio Puertas’, ‘Germán Sánchez’, ‘Luis Milla’, ‘Lui­s Manuel Arantes Maximiano’],
‘Posición’:[‘Delantero’, ‘Delantero’, ‘Centrocampista’, ‘Defensa’, ‘Centrocampista’, ‘Portero’],
‘Número’:[9, 23, 10, 6, 5, 1],
‘Altura’:[185.0, 187.0, 185.0, 187.0, 175.0, 190.0],
‘Goles’:[7, 7, 5, 2, 2, 0]
}
Jugador Posición Número Altura Goles
0 Luis Suárez Delantero 9 185.0 7
1 Jorge Molina Delantero 23 187.0 7
2 Antonio Puertas Centrocampista 10 185.0 5
3 Germán Sánchez Defensa 6 187.0 2
4 Luis Milla Centrocampista 5 175.0 2
5 Luis Manuel Arantes Maximiano Portero 1 190.0

Datos estadísticos extraidos de la tabla:
df[‘Altura’].max()
190.0
df[‘Goles’].min()
0
df[‘Goles’].max()
7
df[‘Altura’].mean()
184.83
df[‘Altura’].median()
186.0
df[‘Altura’].std()
5.15
df[‘Altura’].var()
26.56

data = {
    'Nombre': ['Mohamed Salah', 'Sadio Mané', 'Roberto Firmino', 'Virgil van Dijk', 'Trent Alexander-Arnold'],
    'Posición': ['Delantero', 'Delantero', 'Delantero', 'Defensa', 'Defensa'],
    'Goles en la temporada': [20, 15, 10, 2, 5],
    'Asistencias en la temporada': [10, 8, 12, 1, 12],
    'G/A en la temporada': [30, 23, 22, 3, 17],
    'Valor de mercado': ['€120M', '€100M', '€90M', '€80M', '€75M']
}

dorsales = [11, 10, 9, 4, 66]

df_liverpool = pd.DataFrame(data, index=dorsales)

Desafío listo

Solución al reto:

Mi aporte:

Mi aporte basado en el juego Brawl stars:

Y aquí está el team Granada con sus columnas y indexs… 😃

dict = { 'Jugador':['Luis Suárez','Jorge Molina', 'Antonio Puertas', 'Germán Sánchez', 'Luis Milla', 'Luís Manuel Arantes Maximiano'],
        'Posición':['Delantero', 'Delantero', 'Centrocampista', 'Defensa', 'Centrocampista', 'Portero'],
        'Número':[9, 23, 10, 6, 5, 1],
        'Altura':[185.0, 187.0, 185.0, 187.0, 175.0, 190.0],
        'Goles':[7, 7, 5, 2, 2, 0]
        }


pd.DataFrame(dict, index=[9, 23, 10, 6, 5, 1])

granada_player = pd.DataFrame(dict,index=[9, 23, 10, 6, 5, 1])

granada_player.columns

granada_player.index

dict = {
‘jugador’:[‘Luis Suarez’,‘Jorge Molina’, ‘Antonio Puertas’, ‘German Sanchez’, ‘Luis Milla’, ‘Luis Manuel Arantes Maximiano’],
‘posicion’: [‘Delantero’, ‘Delantero’, ‘Centrocampista’, ‘Defensa’, ‘Centrocampista’, ‘Portero’],
‘altura’:[185.0, 187.0, 185.0, 187.0, 175.0, 190.0],
‘goles’:[7, 7, 5, 2, 2, 0]
}
El index son los numeros de las camisetas:
df_jugadores= pd.DataFrame(dict, index=[9, 23, 10, 6, 5, 1])

11. Series y DataFrames en Pandas

Pandas Series

• Arreglo unidimensional indexado.
• Búsqueda por índice.
• Slicing
• Operaciones aritméticas.
• Distintos tipos de datos.

Pandas DataFrame

• Estructura principal
• Arreglo de dos dimensiones
• Búsqueda por índice (columnas o filas)
• Slicing
• Operaciones aritméticas
• Distintos tipos de datos
• Tamaño variable

import pandas as pd

psg_players = pd.Series(['Navas', 'Mbappe', 'Neymar', 'Messi'],
          index=[1,7,10,30]
          )

psg_players

pd.Series(['Navas', 'Mbappe', 'Neymar', 'Messi'],
          
          )

dict={1:'Navas',7:'Mbappe',10:'Neymar',30:'Messi'}
pd.Series(dict)

psg_players[0:3]

dict= {'Jugador':['Navas', 'Mbappe', 'Neymar', 'Messi'],
 'Altura':[183,170,175,160],
 'Goles':[0,200,300,348]
 }

df_players=pd.DataFrame(dict)

df_players.columns

df_players.index

dict={‘Jugador’:[‘Luis Suárez’,‘Jorge Molina’, ‘Antonio Puertas’, ‘Germán Sánchez’, ‘Luis Milla’, ‘Luís Manuel Arantes Maximiano’],
‘Posición’:[‘Delantero’, ‘Delantero’, ‘Centrocampista’, ‘Defensa’, ‘Centrocampista’, ‘Portero’],
‘Altura’:[185.0, 187.0, 185.0, 187.0, 175.0, 190.0],
‘Goles’:[7, 7, 5, 2, 2, 0]
}

estdisticas_granda = pd.DataFrame(dict)
estdisticas_granda

Platzi pratocinando al granada. Wow. Cada vez se superan.

granada = {'Jugador':['Luis Suarez','Jorge Molina', 'Antonio Puertas', 'German Sanchez', 'Luis Milla', 'Luis Manuel Arantes Maximiano'],
           'Posicion':['Delantero', 'Delantero', 'Centrocampista', 'Defensa', 'Centrocampista', 'Portero'],
           'Numero':[9, 23, 10, 6, 5, 1],
           'Altura':[185.0, 187.0, 185.0, 187.0, 175.0, 190.0],
           'Goles':[7, 7, 5, 2, 2, 0]
           }
granada_df = pd.DataFrame(granada)

granada_df.set_index('Numero', inplace=True)

granada_df.head()

Hice mi DataFrame con personajes de starwars jeje

Ejemplo de Data Frame con los goleadores de la UEFA Champions League 2022/2023:

<champions_dict = {'Player':['Erling Haland', 'Mohamed Saláh', 'Kylian Mbappe','Joao Mario','Vinicius Jr','Robert Lewandowski','Mehdi Taremi','Rafa Silva','Giacomo Raspadori','Victor Osimhen','Erick Choupo-Moting','Mohammed Kudus','Leroy Sané','Jude Bellingham','Giovani Simeone'],
                  'Team':['Manchester city','Liverpool','Paris Saint Germain','Benfica','Real Madrid','Barcelona FC','Porto FC','Benfica','Napoli','Napoli','Bayern Munich','Ajax FC','Bayern Munich','Borussia Dortmund','Napoli'],
                  'Country of player': ['Norway', 'Egypt','France','Portugal','Brazil','Poland','Iran','Portugal','Italy','Nigeria','Cameroon','Ghana','Germany','England','Argentina'],
                  'GF':[10,8,7,6,6,5,5,5,4,4,4,4,4,4,4],
                  'PJ':[6,8,8,8,8,5,7,8,5,5,6,6,6,7,7],
                  'Goals for match':[1.67,1.0,0.88,0.75,0.75,1.0,0.71,0.63,0.80,0.80,0.67,0.67,0.67,0.57,0.57]

df_champions = pd.DataFrame(champions_dict, index = [1,2,3,4,5,6,7,8,9,10,11,12,13,14,15])
df_champions 

}> 

Mi aporte del reto:

porque pones a messi ultimo -.-
Me parece o este vídeo iba antes que el 12 ?

dict_platzi = {
    'Jugador':['Luis Suárez','Jorge Molina', 'Antonio Puertas', 'Germán Sánchez', 'Luis Milla', 'Luí­s Manuel Arantes Maximiano'],
    'Posición':['Delantero', 'Delantero', 'Centrocampista', 'Defensa', 'Centrocampista', 'Portero'],
    'Número':[9, 23, 10, 6, 5, 1],
    'Altura':[185.0, 187.0, 185.0, 187.0, 175.0, 190.0],
    'Goles':[7, 7, 5, 2, 2, 0]
}

df_platzi = pd.DataFrame(dict_platzi)

df_platzi

Reto

Descarga este DataFrame de Granada FC
Crea tus propios DataFrames, con los índices que quieras y comparte tus resultados

import pandas as pd

dict = {
'Jugador':['Luis Suárez','Jorge Molina', 'Antonio Puertas', 'Germán Sánchez', 'Luis Milla', 'Luís Manuel Arantes Maximiano'],
'Posición':['Delantero', 'Delantero', 'Centrocampista', 'Defensa', 'Centrocampista', 'Portero'],
'Número':[9, 23, 10, 6, 5, 1],
'Altura':[185.0, 187.0, 185.0, 187.0, 175.0, 190.0],
'Goles':[7, 7, 5, 2, 2, 0]
}

df_GFC=pd.DataFrame(dict)

df_GCF_players = pd.DataFrame(dict, index=df_GFC['Número'])

df_GCF_players

Jugador	Posición	Número	Altura	Goles
Número					
9	Luis Suárez	Delantero	9	185.0	7
23	Jorge Molina	Delantero	23	187.0	7
10	Antonio Puertas	Centrocampista	10	185.0	5
6	Germán Sánchez	Defensa	6	187.0	2
5	Luis Milla	Centrocampista	5	175.0	2
1	Luís Manuel Arantes Maximiano	Portero	1	190.0	0

Si quieren acceder a los valores por posición como en las listas y por los indices que definieron traten esto:

# Access values by integer location
print(psg_players.iloc[0])  # Output: Navas

dict_gnd_players = {'Jugador':['Luis Suarez','Jorge Molina', 'Antonio Puertas', 'German Sanchez', 'Luis Milla', 'Luis Manuel Arantes Maximiano'],
'Posiciónn':['Delantero', 'Delantero', 'Centrocampista', 'Defensa', 'Centrocampista', 'Portero'],  
'Altura':[185.0, 187.0, 185.0, 187.0, 175.0, 190.0],
'Goles':[7, 7, 5, 2, 2, 0]}
df_gnd_players = pd.DataFrame(dict_gnd_players, index = [9, 23, 10, 6, 5, 1])
df_gnd_players

Los filtre por la altura:

df_gnd_players[df_gnd_players["Altura"]> 185]

A seguir aprendiendo 😃

Utilizando los datos del Granada CF para crear un DataFrame:

import pandas as pd
granada_cf = {
              'Jugador':['Luis Suárez','Jorge Molina', 'Antonio Puertas', 'Germán Sánchez', 'Luis Milla', 'Luís Manuel Arantes Maximiano'],
              'Posición':['Delantero', 'Delantero', 'Centrocampista', 'Defensa', 'Centrocampista', 'Portero'],
              'Altura':[185.0, 187.0, 185.0, 187.0, 175.0, 190.0],
              'Goles':[7, 7, 5, 2, 2, 0]
              }

df_granada = pd.DataFrame(granada_cf, index=[9, 23, 10, 6, 5, 1]) #asignando los números de jugador como índices

df_granada.sort_index(ascending=True) #imprimiendo el DataFrame ordenando por el índice en forma ascendente

Mi aporte es el siguiente:

Cambiándo el indice:

dict_granada_cf = {
    'Jugador':['Luis Suarez','Jorge Molina', 'Antonio Puertas', 'German Sanchez', 'Luis Milla', 'Luis Manuel Arantes Maximiano'],
    'Posicion':['Delantero', 'Delantero', 'Centrocampista', 'Defensa', 'Centrocampista', 'Portero'],
    'Numero':[9, 23, 10, 6, 5, 1],
    'Altura':[185.0, 187.0, 185.0, 187.0, 175.0, 190.0],
    'Goles':[7, 7, 5, 2, 2, 0]
}

pd.DataFrame(dict_granada_cf)

My challenge:

Mii Aporte

import pandas as pd

jugadores=['Luis Suárez','Jorge Molina', 'Antonio Puertas', 'Germán Sánchez', 'Luis Milla', 'Luís Manuel Arantes Maximiano']
posiciones=['Delantero', 'Delantero', 'Centrocampista', 'Defensa', 'Centrocampista', 'Portero']
numeros=[9, 23, 10, 6, 5, 1]
alturas=[185.0, 187.0, 185.0, 187.0, 175.0, 190.0]
goles=[7, 7, 5, 2, 2, 0]


df_granadaFc = pd.DataFrame({
    'Jugadores':jugadores,
    'Posiciones':posiciones,
    'altura':alturas,
    'goles':goles
},index=numeros)


df_granadaFc

 

Platzi Challenge

Por el nombre “Numpy” imaginé que se trataba de una librería solo para números y utilizaremos pandas para ello. Ahora se que numpy soporta strings, ¿Porqué nunca lo vimos en las clases?

Ejericicio jugadores del Granada patrocinados por Platzi

Mi codigo para el reto del equipo Granada

import pandas as pd

list_dict = {"jugador":["Luis Suarez",'Jorge Molina', 'Antonio Puertas', 'German Sanchez', 'Luis Milla', 'Lui­s Manuel Arantes Maximiano'],
              "Posicion":['Delantero', 'Delantero', 'Centrocampista', 'Defensa', 'Centrocampista', 'Portero'],
             "Numero": [9, 23, 10, 6, 5, 1],
             "Altura": [185.0, 187.0, 185.0, 187.0, 175.0, 190.0],
             "Goles": [7, 7, 5, 2, 2, 0]
             }

df_list_dict = pd.DataFrame(list_dict)
df_list_dict
            

![](

Uso VSC para escribir los notebooks. Hice el ejemplo con la información de los recursos 😄

Por si no han instalado la librería de Pandas, solo tienen que escribir en su terminal:

pip install pandas

Messu es el mejor jugador de la historia de Argentina jaja