Python para ciencia de datos. Estructurar un conjunto de Datos en Python

 

Guía de referencia: Herramientas de Pandas para estructurar un conjunto de datos

Fuente: Coursera & Google

ASÍ COMO has aprendido, hay demasiadas funciones de Python como para memorizarlas todas. Por eso, como todo profesional de los datos le dirá, utilizará hojas de referencia y librerías de codificación casi a diario en su trabajo de análisis de datos.

La siguiente guía de referencia le ayudará a identificar las herramientas de Pandas más utilizadas para estructurar datos. Tenga en cuenta que esto es sólo para referencia. Para obtener información detallada sobre el funcionamiento de cada método, incluyendo explicaciones de cada parámetro y ejemplos, consulte la documentación vinculada.

Guardar este elemento del curso

Si lo desea, puede guardar una copia de esta guía para consultarla en el futuro. Puede utilizarla como recurso para prácticas adicionales o en sus futuros proyectos profesionales. Para acceder a una versión descargable de este elemento del curso, haga clic en el siguiente enlace y seleccione "Usar plantilla".

Guía de referencia: Herramientas Pandas para estructurar un conjunto de datos

O

Si no dispone de una cuenta de Google, puede descargar el elemento directamente desde el archivo adjunto a continuación.

Combinar datos

Tenga en cuenta que para muchas situaciones que requieren combinar datos, puede utilizar una serie de funciones, métodos o enfoques diferentes. Normalmente no estás limitado a una única función "correcta". Así que si estas funciones y métodos te parecen muy similares, ¡no te preocupes! Es porque lo son La mejor forma de aprenderlos, determinar qué funciona mejor para usted y entenderlos es utilizarlos

df.merge()

• Un método disponible para la clase DataFrame.

• Utiliza df.merge() para tomar columnas o índices de otros marcos de datos y combinarlos con aquel al que estás aplicando el método.

• Ejemplo:

• Nota: El siguiente bloque de código no es interactivo.

>>df1.merge(df2, how=‘inner’, on=[‘month’,’year’])

pd.concat()

• Una función de pandas para combinar series y/o dataframes

• Use pd.concat() para unir columnas, filas, o dataframes a lo largo de un eje particular

• Ejemplo:

• Nota: El siguiente bloque de código no es interactivo.

>>df3 = pd.concat([df1.drop(['column_1','column_2'], axis=1), df2])

df.join()

• Método disponible en la clase DataFrame.

• Utilice df.join() para combinar columnas con otro marco de datos, ya sea en un índice o en una columna clave. Une de forma eficiente varios objetos DataFrame por índice a la vez pasando una lista.

• Ejemplo:

• Nota: El siguiente bloque de código no es interactivo.

>>df1.set_index('key').join(df2.set_index('key'))

Representación visual de una combinación:

Extraer o seleccionar datos

df[[columns]]

• Utilice df[[columns]] para extraer/seleccionar columnas de un marco de datos. Ejemplo:

>>print(df)

>>print()

>>df[['animal', 'legs']]

>>>

animal class color legs 0 cardinal Aves red 2 1 gecko Reptilia green 4 2 raven Aves black 2 animal legs 0 cardinal 2 1 gecko 4 2 raven 2

df.select_dtypes()

• Método disponible en la clase DataFrame.

• Utilice df.select_dtypes() para devolver un subconjunto de columnas del marco de datos basado en los dtipos de columna (por ejemplo, float64, int64, bool, object, etc.). Ejemplo:

>>print(df)

>>print()

>>df2 = df.select_dtypes(include=['int64'])

>>df2

>>>

animal class color legs 0 cardinal Aves red 2 1 gecko Reptilia green 4 2 raven Aves black 2 legs 0 2 1 4 2 2

Representación visual de la extracción:

Filtrar datos

Recuerde del Curso 2 que las máscaras booleanas se utilizan para filtrar marcos de datos.

df[condition]

• Utilice df[condition] para crear una máscara booleana y, a continuación, aplique la máscara al marco de datos para filtrar según la condición seleccionada.

• Ejemplo:

>>print(df)

>>print()

>>df[df['class']=='Aves']

>>>

animal class color legs 0 cardinal Aves red 2 1 gecko Reptilia green 4 2 raven Aves black 2 animal class color legs 0 cardinal Aves red 2 2 raven Aves black 2

Representación visual del filtrado:

Ordenar datos

df.ordenar_valores()

• Método disponible en la clase DataFrame.

• Utiliza df.sort_values() para ordenar los datos según los parámetros seleccionados.

• Ejemplo:

>>print(df)

>>print()

>>df.sort_values(by=['legs'], ascending=False)

>>>

animal class color legs 0 cardinal Aves red 2 1 gecko Reptilia green 4 2 raven Aves black 2 animal class color legs 1 gecko Reptilia green 4 0 cardinal Aves red 2 2 raven Aves black 2

Representación visual de la ordenación:

Rebanar datos

df.iloc[]

• Utilice df.iloc[] para dividir un marco de datos en función de un índice entero.

• Ejemplos:

  df.iloc[5:10, 2:] → selecciona sólo las filas 5 a 9, en las columnas 2+

  df.iloc[5:10] → selecciona sólo las filas 5 a 9, todas las columnas df.iloc[1, 2] → selecciona el valor en la fila 1, columna 2 df.iloc[[0, 2], [2, 4]] → selecciona sólo las filas 0 y 2, en las columnas 2 y 4

df.loc[]

• Utilice df.loc[] para cortar un marco de datos en función de una etiqueta o una matriz booleana.

• Ejemplo:

>>print(df)

>>print()

>>df.loc[:, ['color', 'class']]

>>>

animal class color legs 0 cardinal Aves red 2 1 gecko Reptilia green 4 2 raven Aves black 2 color class 0 red Aves 1 green Reptilia 2 black Aves

Puntos clave

Las herramientas de esta guía de referencia son fundamentales para la estructuración de datos, incluidos el filtrado, la ordenación, la combinación y el corte. Las utilizará a lo largo de su carrera como profesional de los datos.

Recursos para obtener más información

Consulte estos enlaces para obtener más información sobre las funciones de Python y sus distintos parámetros.

• Documentación de Pandas para describir parámetros en funciones Python

• W3schools proporciona explicaciones sobre las funciones de Python de una forma fácil de entender

datetime en python para ciencia de datos.

 

Guía de referencia: Manipulación de fechas y horas

Fuente: Coursera & Google

Las siguientes tablas pueden servir como guías de referencia para recordarle el código abreviado para manipular cadenas datetime en objetos individuales.

Guardar este elemento del curso

Puede guardar una copia de esta guía para futuras consultas. Puede utilizarla como recurso para prácticas adicionales o en sus futuros proyectos profesionales. Para acceder a una versión descargable de este elemento del curso, haga clic en el enlace que aparece a continuación y seleccione "Usar plantilla."

Guía de referencia: Manipulación de fechas y horas

O

Si no dispones de una cuenta de Google, puedes descargar el elemento directamente desde el archivo adjunto que aparece a continuación.

Manipulación de cadenas datetime en Python

A continuación, encontrarás una tabla con las funciones datetime que puedes usar para ayudarte a manipular objetos datetime de diferentes maneras.

Código	Formato	Ejemplo
%a	Día de la semana abreviado	Sol
%A	Día de la semana	Domingo
%b	Mes abreviado	Enero
%B	Nombre del mes	Enero
%c	Fecha y hora	Dom Ene 1 00:00:00 2021
%d	Día (ceros a la izquierda)	01 a 31
%H	24 horas	00 a 23
%I	12 horas	01 a 12
%j	Día del año	001 a 366
%m	Mes	01 a 12
%M	Minuto	00 a 59
%p	AM o PM	AM/PM
%S	Segundos	00 a 61
%U	Número de semana (Sol)	00 a 53
%W	Número de semana (Lun)	00 a 53
%w	Día de la semana	0 a 6
%x	Representación local de la fecha	16/08/88 (None); 16.08.1988 (en_US); 16.08.1988 (de_DE)
%X	Representación de la hora apropiada para la configuración regional	21:30:00 (en_US); 21:30:00 (de_DE)
%y	Año sin siglo	de 00 a 99
%Y	Año	2022
%z	Desplazamiento	+0900
%Z	Zona horaria	EDT/JST/WET etc (GMT)

Funciones datetime a recordar

Todas las siguientes manipulaciones de cadenas de fechas requieren que se importe primero el paquete datetime.

(from datetime import datetime)

Código	Tipo de entrada	Ejemplo de entrada	Tipo de salida	Ejemplo de salida
datetime.strptime(“25/11/2022”, “%d/%m/%Y”)	cadena	"25/11/2022"	FechaHora	"2022-11-25 00:00:00"
datetime.strftime(dt_object, “%d/%m/%Y”)	FechaHora	"2022-11-25 00:00:00"	cadena	"25/11/2022"
dt_object = datetime.strptime(“25/11/2022”, “%d/%m/%Y”) datetime.timestamp(dt_object)	cadena	"25/11/2022"	float (fecha y hora UTC en segundos)	1617836400.0
datetime.strptime(“25/11/2022”, “%d/%m/%Y”).strftime(“%Y-%m-%d”)	cadena	"25/11/2022"	cadena	"2022-11-25"
datetime.fromtimestamp(1617836400.0)	float (fecha y hora UTC en segundos)	1617836400.0	DateTime	datetime.datetime(2021, 4, 7, 23, 0)
datetime.fromtimestamp(1617836400.0).strftime(“%d/%m/%Y”)	float (fecha y hora UTC en segundos)	1617836400.0	cadena	"'07/04/2021'"
from pytz import timezone ny_time = datetime.strptime(“25-11-2022  09:34:00-0700”, “%d-%m-%Y  %H:%M:%S%z”) Tokyo_time = ny_time.astimezone(timezone(‘Asia/Tokyo’))	cadena	Zona horaria de NuevaYork "25-11-2022 09:34:00-0700"	DateTime	Zona horaria de Tokio 2022, 11, 26, 1, 34, JST+9:00:00 STD>
datetime.strptime(“20:00”, “%H:%M”).strftime(“%I:%M %p”)	cadena	"20:00"	cadena	"08:00 PM"
datetime.strptime(“08:00 PM”, “%I:%M  %p”).strftime(“%H:%M”)	cadena	"08:00 PM"	cadena	"20:00"

Datetime en NumPy y pandas

Un prefacio con respecto a la terminología en la siguiente sección: datetime se refiere al módulo específico de ese nombre en la biblioteca estándar de Python o a la clase específica dentro de ese módulo. Datetime (o sin mayúsculas, datetime) se refiere a cualquier objeto relacionado con la fecha/hora de cualquier biblioteca o lenguaje.

Has aprendido que el módulo datetime en la biblioteca estándar de Python contiene un número de clases usadas para trabajar con datos de tiempo, incluyendo date, time, datetime, timedelta, timezone, y tzinfo. Recuerda, los módulos son similares a las bibliotecas, en el sentido de que son grupos de clases y funciones relacionadas, pero generalmente son subcomponentes de bibliotecas. Las clases son tipos de datos que agrupan datos y funcionalidad.

NumPy y Pandas tienen sus propias clases datetime que ofrecen importantes mejoras de rendimiento cuando se trabaja con grandes conjuntos de datos. Las clases datetime de Pandas, como el resto de la librería pandas, están construidas sobre NumPy. Estas clases tienen una funcionalidad muy similar (y en muchos casos idéntica) a las clases datetime nativas de Python, pero se ejecutan de forma más eficiente gracias a las capacidades de vectorización de NumPy y pandas. Por lo tanto, aunque se pueden usar datos de datetime en pandas, generalmente es mejor usar objetos datetime de NumPy o pandas cuando se trabaja en pandas, si es posible.

Las clases datetime de NumPy

incluyen, sobre todo, datetime64 y timedelta64. Al igual que los objetos datetime, los objetos datetime64 contienen información de fecha y hora en una única estructura de datos; y, al igual que los objetos timedelta, los objetos timedelta64 contienen información relativa a lapsos de tiempo.

Las clases datetime de Pandas

incluyen Timestamp, Timedelta, Period, y DateOffset.

Debido a que estas clases son eficientes y dinámicas en sus capacidades, a menudo no es necesario importar el módulo datetime cuando se trabaja con datos datetime en pandas. Además, pandas reconocerá automáticamente los datos de tipo datetime y los convertirá a la clase apropiada cuando sea posible. He aquí un ejemplo:

>>import pandas as pd

>>data = ['2023-01-20', '2023-04-27', '2023-06-15']

>>my_series = pd.Series(data)

>>my_series

>>>

0 2023-01-20 1 2023-04-27 2 2023-06-15 dtype: object

Esta serie contiene datos de cadena, pero pueden convertirse a datos de datetime64

utilizando la función pd.to_datetime():

>>my_series = pd.to_datetime(my_series)

>>my_series

>>>

0 2023-01-20 1 2023-04-27 2 2023-06-15 dtype: datetime64[ns]

Consulte la documentación de pandas to_datetime() para obtener más información sobre
esta función.

Cuando un objeto Series contiene datos datetime, se puede utilizar dt para acceder a varias propiedades de los datos. Por ejemplo:

>>print(my_series.dt.year)

>>print(my_series.dt.month)

>>print(my_series.dt.day)

>>>

0 2023 1 2023 2 2023 dtype: int64 0 1 1 4 2 6 dtype: int64 0 20 1 27 2 15 dtype: int64

Tenga en cuenta que no es raro importar el módulo datetime de la biblioteca estándar de

Python como dt. Es posible que te hayas encontrado con esta situación. En tal caso,

dt se está utilizando como alias. El accesor de pandas dt Series (como se demostró en el

último ejemplo) es algo totalmente distinto. Consulte la

documentación del accesor pandas dt para más información.

Puntos clave

Utilice guías de referencia como las tablas anteriores a lo largo de su carrera para ayudarle a recordar las diferentes formas de manipular objetos datetime. Incluso los expertos en la materia utilizan guías de referencia, en lugar de memorizar toda esta información. Familiarizarse con guías como éstas será beneficioso porque las utilizará a lo largo de su carrera como profesional de los datos.