Análisis de Datos con Pandas: Carga y Exploración de DataFrames

Clase 12 de 32 • Curso de Python para Ciencia de Datos

Contenido del curso

NumPy

Pandas

Matplotlib

Proyecto de Análisis de Datos de Retail

Resumen

Online retail.csv Datos obtenidos de Daqing Chen, Sai Liang Sain, and Kun Guo, Data mining for the online retail industry: A case study of RFM model-based customer segmentation using data mining, Journal of Database Marketing and Customer Strategy Management, Vol. 19, No. 3, pp. 197â€“208, 2012 (Published online before print: 27 August 2012. doi: 10.1057/dbm.2012.17).

Comentarios

David Rios

student•

Tenia este error al importar el CSV

Que se soluciona agregando un econding='windows-1252' o enconding='latin1'

Cornelio Reyes

student•

en todas hay error es : encoding NO ES : ecoding ó enconding

David Rios

student•

Si, es encoding, mala mia que escribí mal en ambas, gracias por la correción

Mario Alexander Vargas Celis

student•

### Pandas para Manipulación de Datos

**Pandas** es una librería poderosa y flexible de Python que se utiliza principalmente para manipulación, análisis y limpieza de datos. Proporciona dos estructuras de datos principales: **Series** (para datos unidimensionales) y **DataFrames** (para datos bidimensionales), que permiten trabajar con conjuntos de datos de manera eficiente.

A continuación, te explico las principales funcionalidades de Pandas para la manipulación de datos:

---

### 1. **Creación de DataFrames**

Un **DataFrame** es la estructura principal en Pandas. Es una tabla bidimensional con columnas etiquetadas de diferentes tipos (numéricas, de texto, etc.). Puedes crear DataFrames de varias maneras.

#### A) A partir de un diccionario:


import pandas as pd



\# Crear un DataFrame desde un diccionario

data = {

&#x20;   'Nombre': \['Ana', 'Luis', 'Carlos'],

&#x20;   'Edad': \[23, 45, 36],

&#x20;   'Ciudad': \['Madrid', 'Barcelona', 'Valencia']

}

df = pd.DataFrame(data)

print(df)

#### B) A partir de un archivo CSV:


df = pd.read\_csv('archivo.csv')

---

### 2. **Indexación y Selección de Datos**

Pandas ofrece diversas formas para seleccionar y filtrar datos en un DataFrame.

#### A) Selección de columnas:


\# Seleccionar una columna

edades = df\['Edad']



\# Seleccionar múltiples columnas

df\_subset = df\[\['Nombre', 'Edad']]

#### B) Selección de filas por etiqueta o posición:


\# Seleccionar por posición (iloc)

primera\_fila = df.iloc\[0]



\# Seleccionar por etiqueta (loc)

fila\_ana = df.loc\[df\['Nombre'] == 'Ana']

#### C) Filtrado de datos:

Puedes aplicar condiciones para filtrar filas.


\# Filtrar filas donde la edad es mayor de 30

mayores\_de\_30 = df\[df\['Edad'] > 30]

---

### 3. **Operaciones Básicas**

#### A) Descripción rápida de los datos:

Puedes obtener un resumen rápido de tu conjunto de datos con describe() o con métodos como mean(), sum(), etc.


df.describe()  # Resumen estadístico de las columnas numéricas

#### B) Renombrar columnas:


df.rename(columns={'Nombre': 'Nombre\_Completo'}, inplace=True)

#### C) Ordenar los datos:


df.sort\_values(by='Edad', ascending=False, inplace=True)  # Ordenar por edad descendente

---

### 4. **Manejo de Valores Nulos**

Los valores faltantes o nulos son comunes en los conjuntos de datos y es importante gestionarlos correctamente.

#### A) Identificar valores nulos:


df.isnull().sum()  # Contar valores nulos por columna

#### B) Eliminar filas o columnas con valores nulos:


df.dropna(inplace=True)  # Eliminar filas con valores nulos

#### C) Rellenar valores nulos:


df.fillna(value=0, inplace=True)  # Rellenar valores nulos con 0

---

### 5. **Transformación de Datos**

Pandas permite aplicar funciones a las columnas o filas para transformar los datos.

#### A) Aplicar funciones a columnas:


\# Calcular 10% de descuento en una columna de precios

df\['Precio\_Descuento'] = df\['Precio'].apply(lambda x: x \* 0.9)

#### B) Agrupar datos:

Puedes agrupar datos y realizar agregaciones.


\# Agrupar por la columna 'Ciudad' y calcular la edad media

df\_grouped = df.groupby('Ciudad')\['Edad'].mean()

#### C) Pivotar datos:


df\_pivot = df.pivot\_table(values='Edad', index='Ciudad', columns='Sexo', aggfunc='mean')

---

### 6. **Fusión y Unión de DataFrames**

Pandas ofrece diversas formas de combinar y fusionar DataFrames.

#### A) Concatenar DataFrames:


df\_concatenado = pd.concat(\[df1, df2])

#### B) Fusión (Join) de DataFrames:


df\_merged = pd.merge(df1, df2, on='clave\_común', how='inner')  # Tipos: 'inner', 'left', 'right', 'outer'

---

### 7. **Visualización de Datos con Pandas**

Aunque Pandas no es una librería de visualización por sí sola, se integra fácilmente con **Matplotlib** para generar gráficos rápidos.

#### A) Gráficos rápidos:


df\['Edad'].plot(kind='hist')  # Histograma de la columna 'Edad'

#### B) Gráficos avanzados con Matplotlib:


import matplotlib.pyplot as plt



df\['Edad'].plot(kind='bar')

plt.show()

---

### 8. **Exportar Datos**

Después de manipular los datos, puedes exportarlos a diversos formatos.

#### A) Exportar a CSV:


df.to\_csv('archivo\_modificado.csv', index=False)

#### B) Exportar a Excel:


df.to\_excel('archivo\_modificado.xlsx', index=False)

---

### 9. **Optimización en Pandas**

#### A) Tipos de datos adecuados:

Usar los tipos de datos correctos en Pandas puede reducir el uso de memoria y mejorar el rendimiento. Por ejemplo, puedes convertir columnas de enteros a enteros de menor tamaño (int8, int16), o columnas categóricas a category.


df\['Categoría'] = df\['Categoría'].astype('category')

#### B) Uso eficiente de apply y vectorización:

Evita el uso excesivo de apply en funciones que pueden vectorizarse, ya que apply es más lento en comparación con las operaciones vectorizadas.

---

### Conclusión

Pandas proporciona una amplia gama de herramientas para manipular y analizar datos de manera eficiente y flexible. Desde la selección y filtrado de datos hasta la limpieza, transformación y visualización, Pandas es una herramienta esencial para cualquier científico de datos o analista. Con la optimización adecuada y un buen conocimiento de las técnicas avanzadas, puedes trabajar con grandes volúmenes de datos de manera eficiente.

Alejandro Gonzalez

student•

tenga su like, buen señor

waek vexotiq youtube

student•

Gracias!

Oscar Alirio Vargas Ayala

student•

import pandas as pd

df = pd.read_csv(r'C:\numypanda\Online_Retail.csv',encoding='latin')
#print(type(df))
print(df)

```import pandas as pd
df = pd.read\_csv(r'C:\numypanda\Online\_Retail.csv',encoding='latin')#print(type(df))print(df)

Antonio Demarco Bonino

student•

Por si les pasa que tienen números en formato texto este es un buen cambio:

Y si quieren pasar de texto a fecha:

Gustavo Andres Niño Forero

student•

Para cargar el .cvs en escritorio

import numpy as np
import pandas as pd
import matplotlib.pyplot as plt

mipath = r'"ruta del archivo"\OnlineRetail.csv'

df = pd.read_csv(mipath, encoding='latin1')
print(df)
```import numpy as npimport pandas as pdimport matplotlib.pyplot as plt
mipath = r'C:\Users\gustavoandres\Desktop\platzi\OnlineRetail.csv'
df = pd.read\_csv(mipath, encoding='latin1')print(df)

José Antonio Olguin Rojas

student•

En mi caso como Ingeniero Arquitecto, tenemos modelos 3D de edificios que contienen datos.

Por ejemplo, los ductos de aire acondicionado pueden ser una base de datos de los cuales podemos obtener su gasto, flujo, dimensiones etc, etc etc.

Para el sector de la construcción puede llegar a ser muy útil todo este conocimiento.

Rubik Adams

student•

¿y ahí que software estas utilizando? @José Antonio Olguin Rojas

saludos

Jaime Lopez Hidalgo

student•

Especificar la extensión de los archivos al usar funciones como pd.read_csv(path), pd.read_excel(path), y pd.read_json(path) no es solo por buena práctica, es necesario para que Pandas reconozca el formato del archivo que estás leyendo. Cada función está diseñada para manejar un tipo específico de archivo, y omitir la extensión podría llevar a errores o a que Pandas no sepa cómo procesar los datos correctamente.

Erick Quintero

student•

si les da error al leer el csv usando vscode, esta fue la solucion en mi caso```python import pandas as pd path = r"C:\Users\Erick\Documents\Data science\Online_Retail.csv" df_ratail_data = pd.read_csv(path, encoding='windows-1252') print(type(df_ratail_data)) print(df_ratail_data)

daniel andres garcia fino

student•

Gracias Bro

Johan Nicolás Valderrama Serrato

student•

Para que no hagan manualmente la descarga

import kagglehub
import os

# Download latest version
path = kagglehub.dataset_download("tunguz/online-retail")

print("Path to dataset files:", path)
print(os.listdir(path))
```import kagglehubimport os
\# Download latest versionpath = kagglehub.dataset\_download("tunguz/online-retail")
print("Path to dataset files:", path)print(os.listdir(path))

Joseph Corona

student•

Para los que usan mac:

import pandas as pd
#%%
path = 'Online_Retail.csv'
retail_data = pd.read_csv(path, encoding='ISO-8859-1')

Cristian Vallejos

student•

import pandas as pd

path = 'online_retail.csv'

df_retail_data = pd.read_csv(path)

print(type(df_retail_data))

print(len(df_retail_data))

print(df_retail_data)

Kevin León Lazcano

student•

ya no está disponible el link :(

Rubik Adams

student•

es este para descargar el data set

Sindy Leon

student•

Los enlacesy de las lecturas recomendadas no cargan, al igual que los archivos READ.me salen vacios. o error.

Juan Diego

student•

Kaggle es una plataforma que permite a los usuarios encontrar y compartir conjuntos de datos, así como participar en competiciones de ciencia de datos. Utilizada por científicos de datos y analistas, proporciona herramientas para practicar y mejorar habilidades en el análisis de datos, incluyendo el uso de bibliotecas como Pandas. Además, permite construir portafolios a través de proyectos aplicados, lo que es esencial al postularse a roles en el campo de la ciencia de datos o la inteligencia artificial.

Carlos Iván Cortés Cruz

student•

pues yo hice esto..... y jalo....

import pandas as pd path = '/content/Online_Retail.csv' retail_data = pd.read_csv(path, encoding='latin1') print(retail_data)

Jesús Molina Castro

student•

¿Cómo carfgar el dataset en google drive?

Importar las dependencias

import pandas as pd

import matplotlib.pyplot as plt

import numpy as np

Conectar a drive

from google.colab import drive

drive.mount('/content/drive')path = '/content/drive/MyDrive/Python_Data/OnlineRetail.csv'

Leer el archivo con pandas

df = pd.read_csv(path, encoding='latin1')

df.head()

Bastian Maurico Landskron Silva

student•

vamos firme con la IA me encanta este curso

Gabriel Obregón

student•

IMPORTAR PANDASimport pandas as pd

Descripción: Esta línea importa la biblioteca Pandas y le asigna el alias pd para mayor comodidad. Pandas se utiliza para la manipulación y análisis de datos.

LEER UN ARCHIVO CSVpath = '/content/online_retail.csv'

retail_data = pd.read_csv(path)

print(type(retail_data))

print(retail_data)

Descripción:
- Se define la ruta a un archivo CSV (online_retail.csv).
- pd.read_csv(path) lee el archivo CSV en un DataFrame de Pandas (retail_data), una estructura de datos tabular para análisis de datos.
- print(type(retail_data)) muestra el tipo de la variable retail_data, que será <class 'pandas.core.frame.DataFrame'>.
- print(retail_data) muestra el contenido completo del DataFrame en un formato tabular.

LEER UN ARCHIVO DE EXCEL data_excel = pd.read_excel(path)

Descripción:
- Esto lee un archivo de Excel (dado por la misma path) en un DataFrame de Pandas. La función pd.read_excel() maneja archivos .xlsx o .xls.

LEER UN ARCHIVO JSONdata_json = pd.read_json(path)

Descripción:
- Esto lee un archivo JSON (especificado por la misma path) en un DataFrame de Pandas. La función pd.read_json() convierte los datos JSON estructurados en un formato tabular.

Karla Verónica Álvarez Vázquez

student•

Pandas es una biblioteca fundamental en Python para la manipulación de datos. Permite trabajar con estructuras de datos como DataFrames y Series, facilitando tareas como la limpieza, transformación y análisis de datos.

En la manipulación de datos con Pandas, puedes realizar operaciones como filtrar, agrupar, fusionar y manejar datos faltantes. Esto es esencial para proyectos de ciencia de datos, donde es crucial preparar y analizar datos de manera efectiva. Además, aprender a usar Pandas te permitirá crear un portafolio sólido en análisis de datos.

Carlos Alberto Castillo Puerto

student•

como puedo cargar los datos si estoy utilizando Visual Studio Code ?

lo puedo realizar tipo:

datos = pd.read_csv('donde esta el archivo', header = None)

JUAN FELIPE OSORIO URIBE

student•

import pandas as pd path = r"D:/Mis Documentos/Cursos/Cursos Platzi/Curso para Ciencia de Datos/Pandas/12_Recursos_Pandas_para_Manipulacion_de_datos/Online_Retail.csv"csv = pd.read_csv(path, encoding="ISO-8859-1")#print(type(estudiante))print("")print('E s t e e s e l C S V :\n--------------------------------------- \n',csv) print("------------------------------------------")print("") # Para leer un archiovo Excelpath2 = r"D:/Mis Documentos/Serrania Campestre - Proyecto Apto/Pagos - Seguimiento.xlsx"data_excel = pd.read_excel(path2, sheet_name= "Pagos x mes") print('E s t e e s e l E X C E L :\n------------------------------------------ \n',data_excel)print("")print("")print("------------------------------------------") # Para leer JSON, para este caso no tuve un archivo json, pero es el mismo proceso# Se caputa en una variable el path donde esta el json, luego lo leemos para luego mostrarlopath3 = 'Aca estaria el path con el json como en los casos anteriores'json_data = pd.read_json(path3)

import pandas as pd

\# Crear un DataFrame desde un diccionario

data = {

&#x20;   'Nombre': \['Ana', 'Luis', 'Carlos'],

&#x20;   'Edad': \[23, 45, 36],

&#x20;   'Ciudad': \['Madrid', 'Barcelona', 'Valencia']

}

df = pd.DataFrame(data)

print(df)

import pandas as pd

df = pd.read_csv(r'C:\numypanda\Online_Retail.csv',encoding='latin')
#print(type(df))
print(df)

```import pandas as pd
df = pd.read\_csv(r'C:\numypanda\Online\_Retail.csv',encoding='latin')#print(type(df))print(df)

import numpy as np
import pandas as pd
import matplotlib.pyplot as plt

mipath = r'"ruta del archivo"\OnlineRetail.csv'

df = pd.read_csv(mipath, encoding='latin1')
print(df)
```import numpy as npimport pandas as pdimport matplotlib.pyplot as plt
mipath = r'C:\Users\gustavoandres\Desktop\platzi\OnlineRetail.csv'
df = pd.read\_csv(mipath, encoding='latin1')print(df)

import kagglehub
import os

# Download latest version
path = kagglehub.dataset_download("tunguz/online-retail")

print("Path to dataset files:", path)
print(os.listdir(path))
```import kagglehubimport os
\# Download latest versionpath = kagglehub.dataset\_download("tunguz/online-retail")
print("Path to dataset files:", path)print(os.listdir(path))

Análisis de Datos con Pandas: Carga y Exploración de DataFrames

NumPy

Análisis de Datos con NumPy y Pandas en Python

Manipulación de Dimensiones en Arrays NumPy para Ciencia de Datos

Manipulación de Arrays NumPy para Análisis de Datos en Python

Álgebra Lineal Aplicada con NumPy: Operaciones y Ejemplos Prácticos

Indexación y Slicing en NumPy para Análisis de Datos

Operaciones con Arrays en NumPy: Broadcasting, Concatenación y Más

Identificación y conteo de respuestas únicas con NumPy

Manipulación de Matrices y Arrays en NumPy: Transponer, Invertir y Aplanar

Análisis de Ventas Mensuales con NumPy: Transformaciones y Insights

Operaciones de Álgebra Lineal con NumPy en Python

Conexión de NumPy con Pandas y Matplotlib para Análisis de Datos

Pandas