Un poco de proselitismo

Bueno, a lo que vamos, PANDAS...

In [1]:
import pandas as pd
import sys
import datetime as dt
import numpy as np
import matplotlib.pyplot as plt
import matplotlib

%matplotlib inline

print("Versión de Python:     ", sys.version)
print("Versión de Pandas:     ", pd.version.short_version)
print("Versión de Numpy:      ", np.version.short_version)
print("Versión de Matplotlib: ", matplotlib.__version__)
Versión de Python:      3.3.1 (default, Apr 10 2013, 19:05:32) 
[GCC 4.6.3]
Versión de Pandas:      0.13.1
Versión de Numpy:       1.8.1
Versión de Matplotlib:  1.3.1
/home/kiko/pyprojs/venvs/vepy331/lib/python3.3/importlib/_bootstrap.py:313: UserWarning: Module readline was already imported from /home/kiko/pyprojs/venvs/vepy331/lib/python3.3/lib-dynload/readline.cpython-33m.so, but /home/kiko/pyprojs/venvs/vepy331/lib/python3.3/site-packages is being added to sys.path
  return f(*args, **kwds)

¿Qué es Pandas?

Pandas es una librería que proporciona estructuras de datos flexibles y permite trabajar con la información de forma eficiente (gran parte de Pandas está implementado usando C/Cython para obtener un buen rendimiento).

Funciona muy bien cuando nos toca trabajar con:

  • Datos heterogéneos que pueden distribuirse de forma tabular.
  • Series temporales
  • Matrices
  • ...
In [2]:
from IPython.core.display import HTML
HTML("<iframe src=http://pandas.pydata.org width=800 height=350></iframe>")
Out[2]:

Estructuras de datos

Pandas ofrece varias estructuras de datos que nos resultarán de mucha utilidad y que vamos a ir viendo poco a poco. Todas las posibles estructuras de datos que ofrece a día de hoy son:

  • Series (y TimeSeries)

  • DataFrame

  • Panel

  • Panel4D

  • PanelND

Series

En una instancia de la clase Series podremos almacenar arrays o vectores con índice o etiqueta. Si no usamos índice o etiqueta nos lo numerará con un índice de forma interna. La forma básica de crear una Series sería:

>>> s = Series(data, index=index)

donde data es el vector de datos e index (opcional) es el vector de índices que usará la serie. Si los índices son datos de fechas directamente se creará una instancia de una TimeSeries en lugar de una instacia de Series.

Veamos un ejemplo de como crear este tipo de contenedor de datos. Primero vamos a crear una serie y pandas nos creará índices automáticamente, segundo vamos a crear una serie donde nosotros le vamos a decir los índices que queremos usar y, tercero, vamos a crear una serie temporal usando índices que son fechas.

In [3]:
# serie con índices automáticos
serie = pd.Series(np.random.randn(10))
print(u'Serie con índices automáticos \n{} \n'.format(serie))
print(type(serie))
Serie con índices automáticos 
0   -1.731792
1    0.492089
2    0.190005
3    0.498570
4   -0.129411
5    0.496611
6   -0.561550
7   -0.981822
8   -0.471803
9   -0.255938
dtype: float64 

<class 'pandas.core.series.Series'>
In [4]:
# serie con índices definidos por mi
serie = pd.Series(np.random.randn(4), index = ['itzi','kikolas','dieguete','nicolasete'])
print(u'Serie con índices definidos \n{} \n'.format(serie))
print(type(serie))
Serie con índices definidos 
itzi          0.130432
kikolas      -2.378303
dieguete      0.951302
nicolasete    1.846942
dtype: float64 

<class 'pandas.core.series.Series'>
In [5]:
# serie(serie temporal) con índices que son fechas
serie = pd.Series(np.random.randn(31), index = pd.date_range('2013/01/01', periods = 31))
print(u'Serie temporal con índices de fechas \n{} \n'.format(serie))
print(type(serie))
Serie temporal con índices de fechas 
2013-01-01    0.086782
2013-01-02   -0.274399
2013-01-03   -0.919958
2013-01-04    0.749879
2013-01-05   -1.739752
2013-01-06    0.861299
2013-01-07   -0.797413
2013-01-08   -0.650584
2013-01-09    0.880755
2013-01-10   -0.235406
2013-01-11    0.134650
2013-01-12   -0.255786
2013-01-13   -0.068295
2013-01-14    0.010727
2013-01-15    0.259768
2013-01-16    2.449214
2013-01-17   -1.452189
2013-01-18   -0.846709
2013-01-19   -0.835064
2013-01-20   -0.073190
2013-01-21    0.853177
2013-01-22   -0.239683
2013-01-23    0.149482
2013-01-24   -0.233044
2013-01-25    0.073302
2013-01-26   -1.769805
2013-01-27   -1.016134
2013-01-28    0.378350
2013-01-29    0.190374
2013-01-30   -1.566578
2013-01-31    1.601782
Freq: D, dtype: float64 

<class 'pandas.core.series.Series'>

En los ejemplos anteriores hemos creado las series a partir de un numpy array pero las podemos crear a partir de muchas otras cosas: listas, diccionarios, numpy arrays,... Veamos ejemplos:

In [6]:
serie_lista = pd.Series([i*i for i in range(10)])
print('Serie a partir de una lista \n{} \n'.format(serie_lista))

dicc = {'cuadrado de {}'.format(i) : i*i for i in range(10)}
serie_dicc = pd.Series(dicc)
print('Serie a partir de un diccionario \n{} \n'.format(serie_dicc))

serie_serie = pd.Series(serie_dicc.values)
print('Serie a partir de los valores de otra (pandas)serie \n{} \n'.format(serie_serie))

serie_cte = pd.Series(-999, index = np.arange(10))
print('Serie a partir de un valor constante \n{} \n'.format(serie_cte))

#...
Serie a partir de una lista 
0     0
1     1
2     4
3     9
4    16
5    25
6    36
7    49
8    64
9    81
dtype: int64 

Serie a partir de un diccionario 
cuadrado de 0     0
cuadrado de 1     1
cuadrado de 2     4
cuadrado de 3     9
cuadrado de 4    16
cuadrado de 5    25
cuadrado de 6    36
cuadrado de 7    49
cuadrado de 8    64
cuadrado de 9    81
dtype: int64 

Serie a partir de los valores de otra (pandas)serie 
0     0
1     1
2     4
3     9
4    16
5    25
6    36
7    49
8    64
9    81
dtype: int64 

Serie a partir de un valor constante 
0   -999
1   -999
2   -999
3   -999
4   -999
5   -999
6   -999
7   -999
8   -999
9   -999
dtype: int64 

Una serie (Series o TimeSeries) se puede manejar igual que si tuviéramos un numpy array de una dimensión o igual que si tuviéramos un diccionario. Vemos ejemplos de esto:

In [7]:
serie = pd.Series(np.random.randn(10), index = ['a','b','c','d','e','f','g','h','i','j'])
print('Serie que vamos a usar en este ejemplo: \n{}\n\n'.format(serie))

# Ejemplos de comportamiento como numpy array
print('Se comporta como un numpy array:')
print('================================')
print('>>> serie.max()\n{}'.format(serie.max()))
print('>>> serie.sum()\n{}'.format(serie.sum()))
print('>>> serie.abs()\n{}'.format(serie.abs()))
print('>>> serie[serie > 0]\n{}'.format(serie[serie > 0]))
#...

print('\n')

# Ejemplos de comportamiento como diccionario
print("Se comporta como un diccionario:")
print("================================")
print(">>> serie['a']\n{}".format(serie['a']))
print(">>> 'a' in serie\n{}".format('a' in serie))
print(">>> 'z' in serie\n{}".format('z' in serie))
Serie que vamos a usar en este ejemplo: 
a   -0.663462
b    0.893211
c   -0.312062
d   -1.196054
e    1.608529
f   -0.045494
g   -0.192866
h    1.681370
i   -0.503151
j   -0.078362
dtype: float64


Se comporta como un numpy array:
================================
>>> serie.max()
1.6813703206498873
>>> serie.sum()
1.1916586064903802
>>> serie.abs()
a    0.663462
b    0.893211
c    0.312062
d    1.196054
e    1.608529
f    0.045494
g    0.192866
h    1.681370
i    0.503151
j    0.078362
dtype: float64
>>> serie[serie > 0]
b    0.893211
e    1.608529
h    1.681370
dtype: float64


Se comporta como un diccionario:
================================
>>> serie['a']
-0.663462354872233
>>> 'a' in serie
True
>>> 'z' in serie
False

Las operaciones están 'vectorizadas' y se hacen elemento a elemento con los elementos alineados en función del índice. Si se hace, por ejemplo, una suma de dos series, si en una de las dos series no existe un elemento, i.e. el índice no existe en la serie, el resultado para ese índice será nan. En resumen, estamos haciendo una unión de los índices y funciona diferente a los numpy arrays. Se puede ver el esquema en el siguiente ejemplo:

In [8]:
s1 = serie[1:]
s2 = serie[:-1]
suma = s1 + s2
print('       s1                      s2                  s1 + s2')
print('------------------     ------------------     ------------------')
for clave in sorted(set(list(s1.keys()) + list(s2.keys()))):
    print('{0:1}  {1:20}  +  {0:1}  {2:20}  =  {0:1}  {3:20}'.format(clave, 
                                                                     s1.get(clave), 
                                                                     s2.get(clave), 
                                                                     suma.get(clave)))
# En la anterior línea de código uso el método get para no obtener un KeyError 
# como sí obtendría si uso, p.e., s1['a']
       s1                      s2                  s1 + s2
------------------     ------------------     ------------------
a  None                  +  a    -0.663462354872233  =  a                   nan
b    0.8932105297090326  +  b    0.8932105297090326  =  b    1.7864210594180652
c  -0.31206215624310224  +  c  -0.31206215624310224  =  c   -0.6241243124862045
d   -1.1960537478238258  +  d   -1.1960537478238258  =  d   -2.3921074956476516
e    1.6085289802454341  +  e    1.6085289802454341  =  e    3.2170579604908682
f   -0.0454943963901047  +  f   -0.0454943963901047  =  f   -0.0909887927802094
g  -0.19286571253906507  +  g  -0.19286571253906507  =  g  -0.38573142507813013
h    1.6813703206498873  +  h    1.6813703206498873  =  h    3.3627406412997747
i    -0.503150771440017  +  i    -0.503150771440017  =  i    -1.006301542880034
j  -0.07836208480562608  +  j  None                  =  j                   nan

DataFrame

Un DataFrame se puede ver como si fuera una tabla con índices para las filas y las columnas. Es algo similar a lo que tenemos en una hoja de cálculo, una tabla de una BBDD SQL o un diccionario de series Pandas. Esta será la estructura de datos más habitual a usar. El DataFrame se puede crear a partir de muchas otras estructuras de datos:

  • A partir de un diccionario de numpy arrays de 1D, diccionarios de listas, diccionarios de diccionarios o diccionarios de Series.
  • A partir de un numpy array de 2D
  • A partir de un numpy array estructurado (structured ndarray o record ndarray)
  • A partir de una Series de Pandas
  • A partir de otro DataFramede Pandas

Además de los datos, podemos definir los índices (las etiquetas para las filas) o las columnas (etiquetas para las mismas). Si no se define nada al crear el DataFrame se usarán normas del sentido común para nombrar los índices de filas y columnas.

Veamos un poco de código para ver esto:

In [9]:
df_lista = pd.DataFrame({'a': [11,12,13], 'b': [21,22,23]})
print('DataFrame a partir de un diccionario de listas \n{} \n'.format(df_lista))

df_np1D = pd.DataFrame({'a': np.arange(3)**2, 'b': np.random.randn(3)})
print('DataFrame a partir de un diccionario de 1D ndarrays \n{} \n'.format(df_np1D))

df_np2D = pd.DataFrame(np.empty((5,3)), 
                       index = ['primero','segundo','tercero','cuarto','quinto'], 
                       columns = ['velocidad', 'temperatura','presion'])
print('DataFrame a partir de un 2D ndarray \n{} \n'.format(df_np2D))

df_df = pd.DataFrame(df_np2D, index = ['primero','segundo','tercero'])
df_df.index = ['first','second','third']
print('DataFrame a partir de los valores de otro (pandas)DataFrame \n{} \n'.format(df_df))

#...
DataFrame a partir de un diccionario de listas 
    a   b
0  11  21
1  12  22
2  13  23

[3 rows x 2 columns] 

DataFrame a partir de un diccionario de 1D ndarrays 
   a         b
0  0 -0.818739
1  1 -1.473575
2  4 -0.014659

[3 rows x 2 columns] 

DataFrame a partir de un 2D ndarray 
             velocidad    temperatura        presion
primero  1.397157e-306  4.311076e-314   0.000000e+00
segundo  1.670358e-179  -1.238962e-65  -2.110672e-44
tercero  -3.645480e-42   0.000000e+00  -1.561315e-65
cuarto   -2.623582e-42   0.000000e+00  1.519743e-314
quinto   -2.578083e-42   0.000000e+00  2.413050e-312

[5 rows x 3 columns] 

DataFrame a partir de los valores de otro (pandas)DataFrame 
            velocidad    temperatura       presion
first   1.397157e-306  4.311076e-314  0.000000e+00
second  1.670358e-179  -1.238962e-65 -2.110672e-44
third   -3.645480e-42   0.000000e+00 -1.561315e-65

[3 rows x 3 columns] 

Podemos construir un DataFrame a partir de constructores alternativos como pd.DataFrame.from_dict, pd.DataFrame.from_records o pd.DataFrame.from_items.

Panel, Panel4D, PanelND

En general, los paneles son para tipos de datos de más de dos dimensiones. No los vamos a cubrir ya que se consideran un pelín más complejos, de uso menos habitual y/o se encuentran en estado experimental con lo que pueden cambiar bastante en el corto/medio plazo. Se puede consultar la documentación oficial pulsando sobre:

Leyendo y escribiendo datos (IO)

Una de las cosas que más me gusta de Pandas es la potencia que aporta a lo hora de leer y/o escribir ficheros de datos. Pandas es capaz de leer datos de ficheros csv, excel, HDF5, sql, json, html,...

Si trabajáis con datos de terceros, que pueden provenir de muy diversas fuentes, una de las partes más tediosas del trabajo será tener los datos listos para empezar a trabajar. Limpiar huecos, poner fechas en formato usable, saltarse cabeceros,...

Sin duda, una de las funciones que usaréis más será read_csv() que permite una gran flexibilidad a la hora de leer un fichero de texto plano.

Veamos la documentación:

Docstring:
Read CSV (comma-separated) file into DataFrame

Also supports optionally iterating or breaking of the file
into chunks.

Parameters
----------
filepath_or_buffer : string or file handle / StringIO. The string could be
    a URL. Valid URL schemes include http, ftp, s3, and file. For file URLs, a
    host is expected. For instance, a local file could be
    file ://localhost/path/to/table.csv
sep : string, default ','
    Delimiter to use. If sep is None, will try to automatically determine
    this. Regular expressions are accepted.

lineterminator : string (length 1), default None
    Character to break file into lines. Only valid with C parser
quotechar : string (length 1)
    The character used to denote the start and end of a quoted item. Quoted
    items can include the delimiter and it will be ignored.
quoting : int or csv.QUOTE_* instance, default None
    Control field quoting behavior per ``csv.QUOTE_*`` constants. Use one of
    QUOTE_MINIMAL (0), QUOTE_ALL (1), QUOTE_NONNUMERIC (2) or QUOTE_NONE (3).
    Default (None) results in QUOTE_MINIMAL behavior.
skipinitialspace : boolean, default False
    Skip spaces after delimiter
escapechar : string
dtype : Type name or dict of column -> type
    Data type for data or columns. E.g. {'a': np.float64, 'b': np.int32}
compression : {'gzip', 'bz2', None}, default None
    For on-the-fly decompression of on-disk data
dialect : string or csv.Dialect instance, default None
    If None defaults to Excel dialect. Ignored if sep longer than 1 char
    See csv.Dialect documentation for more details
header : int row number(s) to use as the column names, and the start of the
    data.  Defaults to 0 if no ``names`` passed, otherwise ``None``. Explicitly
    pass ``header=0`` to be able to replace existing names. The header can be
    a list of integers that specify row locations for a multi-index on the
    columns E.g. [0,1,3]. Intervening rows that are not specified will be
    skipped. (E.g. 2 in this example are skipped)
skiprows : list-like or integer
    Row numbers to skip (0-indexed) or number of rows to skip (int)
    at the start of the file
index_col : int or sequence or False, default None
    Column to use as the row labels of the DataFrame. If a sequence is given, a
    MultiIndex is used. If you have a malformed file with delimiters at the end
    of each line, you might consider index_col=False to force pandas to _not_
    use the first column as the index (row names)
names : array-like
    List of column names to use. If file contains no header row, then you
    should explicitly pass header=None
prefix : string or None (default)
    Prefix to add to column numbers when no header, e.g 'X' for X0, X1, ...
na_values : list-like or dict, default None
    Additional strings to recognize as NA/NaN. If dict passed, specific
    per-column NA values
true_values : list
    Values to consider as True
false_values : list
    Values to consider as False
keep_default_na : bool, default True
    If na_values are specified and keep_default_na is False the default NaN
    values are overridden, otherwise they're appended to
parse_dates : boolean, list of ints or names, list of lists, or dict
    If True -> try parsing the index.
    If [1, 2, 3] -> try parsing columns 1, 2, 3 each as a separate date column.
    If [[1, 3]] -> combine columns 1 and 3 and parse as a single date column.
    {'foo' : [1, 3]} -> parse columns 1, 3 as date and call result 'foo'
    A fast-path exists for iso8601-formatted dates.
keep_date_col : boolean, default False
    If True and parse_dates specifies combining multiple columns then
    keep the original columns.
date_parser : function
    Function to use for converting a sequence of string columns to an
    array of datetime instances. The default uses dateutil.parser.parser
    to do the conversion.
dayfirst : boolean, default False
    DD/MM format dates, international and European format
thousands : str, default None
    Thousands separator
comment : str, default None
    Indicates remainder of line should not be parsed
    Does not support line commenting (will return empty line)
decimal : str, default '.'
    Character to recognize as decimal point. E.g. use ',' for European data
nrows : int, default None
    Number of rows of file to read. Useful for reading pieces of large files
iterator : boolean, default False
    Return TextFileReader object
chunksize : int, default None
    Return TextFileReader object for iteration
skipfooter : int, default 0
    Number of line at bottom of file to skip
converters : dict. optional
    Dict of functions for converting values in certain columns. Keys can either
    be integers or column labels
verbose : boolean, default False
    Indicate number of NA values placed in non-numeric columns
delimiter : string, default None
    Alternative argument name for sep. Regular expressions are accepted.
encoding : string, default None
    Encoding to use for UTF when reading/writing (ex. 'utf-8')
squeeze : boolean, default False
    If the parsed data only contains one column then return a Series
na_filter: boolean, default True
    Detect missing value markers (empty strings and the value of na_values). In
    data without any NAs, passing na_filter=False can improve the performance
    of reading a large file
usecols : array-like
    Return a subset of the columns.
    Results in much faster parsing time and lower memory usage.
mangle_dupe_cols: boolean, default True
    Duplicate columns will be specified as 'X.0'...'X.N', rather than 'X'...'X'
tupleize_cols: boolean, default False
    Leave a list of tuples on columns as is (default is to convert to
    a Multi Index on the columns)
error_bad_lines: boolean, default True
    Lines with too many fields (e.g. a csv line with too many commas) will by
    default cause an exception to be raised, and no DataFrame will be returned.
    If False, then these "bad lines" will dropped from the DataFrame that is
    returned. (Only valid with C parser).
warn_bad_lines: boolean, default True
    If error_bad_lines is False, and warn_bad_lines is True, a warning for each
    "bad line" will be output. (Only valid with C parser).
infer_datetime_format : boolean, default False
    If True and parse_dates is enabled for a column, attempt to infer
    the datetime format to speed up the processing

Returns
-------
result : DataFrame or TextParser

Vamos a inventarnos un fichero de datos...

In [10]:
%%writefile dummy.data
cabecero estúpido
901001 0000  7.54 -11.67  1.07  4.27
901001 0600 19.61 -2.74 27.87 -8.96
901001 1200 -4.34  0.73 -6.58  0.17
901001 1800 -4.99  3.24 10.62 -6.13
901002 0000 -3.54 10.39 -12.05 -13.35
901002 0600 12.55  3.80  4.92 -8.18
901002 1200 1.06 23.75 -8.03 -8.67
901002 1800 -1.12  1.82  7.09 -6.06
901003 0600 -5.90  2.38 19.33  6.84
901003 1200 -9.51 -2.72 -7.13 -0.35
901003 1800  6.49 -12.01 -13.62 -0.93
Overwriting dummy.data
In [11]:
data = pd.read_csv('dummy.data', sep = '\s*', 
                   names = ['fecha', 'hora', 'rec1', 'rec2', 'rec3', 'rec4'],
                   skiprows = 1, parse_dates = [[0, 1]], index_col = 0)
In [12]:
print(data)
                      rec1   rec2   rec3   rec4
fecha_hora                                     
1990-10-01 00:00:00   7.54 -11.67   1.07   4.27
1990-10-01 06:00:00  19.61  -2.74  27.87  -8.96
1990-10-01 12:00:00  -4.34   0.73  -6.58   0.17
1990-10-01 18:00:00  -4.99   3.24  10.62  -6.13
1990-10-02 00:00:00  -3.54  10.39 -12.05 -13.35
1990-10-02 06:00:00  12.55   3.80   4.92  -8.18
1990-10-02 12:00:00   1.06  23.75  -8.03  -8.67
1990-10-02 18:00:00  -1.12   1.82   7.09  -6.06
1990-10-03 06:00:00  -5.90   2.38  19.33   6.84
1990-10-03 12:00:00  -9.51  -2.72  -7.13  -0.35
1990-10-03 18:00:00   6.49 -12.01 -13.62  -0.93

[11 rows x 4 columns]
In [13]:
data.index
Out[13]:
<class 'pandas.tseries.index.DatetimeIndex'>
[1990-10-01 00:00:00, ..., 1990-10-03 18:00:00]
Length: 11, Freq: None, Timezone: None
In [14]:
data.columns
Out[14]:
Index(['rec1', 'rec2', 'rec3', 'rec4'], dtype='object')

[Inciso] Si no usamos print, el output del DataFrame se verá como una tabla HTML gracias a la magia de IPython notebook y de Pandas. En general, intentaremos usar print como en las anteriores piezas de código y de aquí en adelante para que se vea igual que si se usa algo distinto al notebook. En la pieza de código siguiente no uso print para qué se vea de lo que hablo ;-)

In [15]:
#data[data.index >= dt.datetime(1990, 10, 2)]
data[data.index >= "1990-10-02"]
Out[15]:
rec1 rec2 rec3 rec4
fecha_hora
1990-10-02 00:00:00 -3.54 10.39 -12.05 -13.35
1990-10-02 06:00:00 12.55 3.80 4.92 -8.18
1990-10-02 12:00:00 1.06 23.75 -8.03 -8.67
1990-10-02 18:00:00 -1.12 1.82 7.09 -6.06
1990-10-03 06:00:00 -5.90 2.38 19.33 6.84
1990-10-03 12:00:00 -9.51 -2.72 -7.13 -0.35
1990-10-03 18:00:00 6.49 -12.01 -13.62 -0.93

7 rows × 4 columns

Escribir el resultado final en un fichero csv, por ejemplo, es algo tan sencillo como:

In [16]:
data.to_csv('dummy.csv')
In [ ]:
%load dummy.csv
In [ ]:
fecha_hora,rec1,rec2,rec3,rec4
1990-10-01 00:00:00,7.54,-11.67,1.07,4.27
1990-10-01 06:00:00,19.61,-2.74,27.87,-8.96
1990-10-01 12:00:00,-4.34,0.73,-6.58,0.17
1990-10-01 18:00:00,-4.99,3.24,10.62,-6.13
1990-10-02 00:00:00,-3.54,10.39,-12.05,-13.35
1990-10-02 06:00:00,12.55,3.8,4.92,-8.18
1990-10-02 12:00:00,1.06,23.75,-8.03,-8.67
1990-10-02 18:00:00,-1.12,1.82,7.09,-6.06
1990-10-03 06:00:00,-5.9,2.38,19.33,6.84
1990-10-03 12:00:00,-9.51,-2.72,-7.13,-0.35
1990-10-03 18:00:00,6.49,-12.01,-13.62,-0.93

Otra tarea que se realiza habitualmente sería la de trabajar con información de una base de datos SQL. No lo vamos a ver aquí pero podéis ver este notebook donde se explica como leer y/o escribir datos de una BBDD SQL (SQLite, PostgreSQL o MySQL). Una vez que se han leído, el tratamiento es el mismo que si los hubiésemos leído de otro origen.

Trabajando con datos, indexación, selección,...

¿Cómo podemos seleccionar, añadir, eliminar, mover,..., columnas, filas,...?

Para seleccionar una columna solo hemos de usar el nombre de la columna y pasarlo como si fuera un diccionario (o un atributo).

Para añadir una columna simplemente hemos de usar un nombre de columna no existente y pasarle los valores para esa columna.

Para eliminar una columna podemos usar del o el método pop.

Para mover una columna podemos usar una combinación de las metodologías anteriores.

Por ejemplo, vemos a seleccionar los valores de una columna:

In [17]:
df = pd.DataFrame(np.random.randn(5,3), 
                       index = ['primero','segundo','tercero','cuarto','quinto'], 
                       columns = ['velocidad', 'temperatura','presion'])
df['velocidad']
Out[17]:
primero    0.175374
segundo   -0.133466
tercero   -0.418224
cuarto    -0.320517
quinto     0.955521
Name: velocidad, dtype: float64
In [18]:
# Forma alternativa
df.velocidad
Out[18]:
primero    0.175374
segundo   -0.133466
tercero   -0.418224
cuarto    -0.320517
quinto     0.955521
Name: velocidad, dtype: float64

Vamos a añadir una columna nueva al DataFrame:

In [19]:
df['velocidad_maxima'] = np.random.randn(df.shape[0])
print(df)
         velocidad  temperatura   presion  velocidad_maxima
primero   0.175374     0.384571 -0.575126         -0.474630
segundo  -0.133466     0.987833  0.305844         -0.746577
tercero  -0.418224     0.603431  0.128822          1.545612
cuarto   -0.320517    -0.643183  0.319838          0.634203
quinto    0.955521    -0.295541 -1.277743          2.389485

[5 rows x 4 columns]

Pero qué pasa si quiero añadir la columna en un lugar específico. Para ello podemos usar el método insert (y de paso vemos como podemos borrar una columna):

In [20]:
# forma 1 (borramos la columna 'velocidad_maxima' que está al final del df usando del)
#         (Colocamos la columna eliminada en la posición que especifiquemos)
print(df)
columna = df['velocidad_maxima']
del df['velocidad_maxima']
print(df)
print(columna)
df.insert(1, 'velocidad_maxima', columna)
print(df)
         velocidad  temperatura   presion  velocidad_maxima
primero   0.175374     0.384571 -0.575126         -0.474630
segundo  -0.133466     0.987833  0.305844         -0.746577
tercero  -0.418224     0.603431  0.128822          1.545612
cuarto   -0.320517    -0.643183  0.319838          0.634203
quinto    0.955521    -0.295541 -1.277743          2.389485

[5 rows x 4 columns]
         velocidad  temperatura   presion
primero   0.175374     0.384571 -0.575126
segundo  -0.133466     0.987833  0.305844
tercero  -0.418224     0.603431  0.128822
cuarto   -0.320517    -0.643183  0.319838
quinto    0.955521    -0.295541 -1.277743

[5 rows x 3 columns]
primero   -0.474630
segundo   -0.746577
tercero    1.545612
cuarto     0.634203
quinto     2.389485
Name: velocidad_maxima, dtype: float64
         velocidad  velocidad_maxima  temperatura   presion
primero   0.175374         -0.474630     0.384571 -0.575126
segundo  -0.133466         -0.746577     0.987833  0.305844
tercero  -0.418224          1.545612     0.603431  0.128822
cuarto   -0.320517          0.634203    -0.643183  0.319838
quinto    0.955521          2.389485    -0.295541 -1.277743

[5 rows x 4 columns]
In [21]:
# forma 2 (borramos usando el método pop y añadimos la columna borrada en la última posición de nuevo)
print(df)
columna = df.pop('velocidad_maxima')
print(df)
print(columna)
df.insert(3, 'velocidad_maxima', columna)
print(df)
         velocidad  velocidad_maxima  temperatura   presion
primero   0.175374         -0.474630     0.384571 -0.575126
segundo  -0.133466         -0.746577     0.987833  0.305844
tercero  -0.418224          1.545612     0.603431  0.128822
cuarto   -0.320517          0.634203    -0.643183  0.319838
quinto    0.955521          2.389485    -0.295541 -1.277743

[5 rows x 4 columns]
         velocidad  temperatura   presion
primero   0.175374     0.384571 -0.575126
segundo  -0.133466     0.987833  0.305844
tercero  -0.418224     0.603431  0.128822
cuarto   -0.320517    -0.643183  0.319838
quinto    0.955521    -0.295541 -1.277743

[5 rows x 3 columns]
primero   -0.474630
segundo   -0.746577
tercero    1.545612
cuarto     0.634203
quinto     2.389485
Name: velocidad_maxima, dtype: float64
         velocidad  temperatura   presion  velocidad_maxima
primero   0.175374     0.384571 -0.575126         -0.474630
segundo  -0.133466     0.987833  0.305844         -0.746577
tercero  -0.418224     0.603431  0.128822          1.545612
cuarto   -0.320517    -0.643183  0.319838          0.634203
quinto    0.955521    -0.295541 -1.277743          2.389485

[5 rows x 4 columns]

Para seleccionar datos concretos de un DataFrame podemos usar el índice, una rebanada, valores booleanos, la columna,...

In [22]:
print('Seleccionamos la columna de velocidades')
print(df['velocidad'])
Seleccionamos la columna de velocidades
primero    0.175374
segundo   -0.133466
tercero   -0.418224
cuarto    -0.320517
quinto     0.955521
Name: velocidad, dtype: float64
In [23]:
print(u'Seleccionamos todas las columnas cuyo índice es igual a tercero')
print(df.xs('tercero'))
Seleccionamos todas las columnas cuyo índice es igual a tercero
velocidad          -0.418224
temperatura         0.603431
presion             0.128822
velocidad_maxima    1.545612
Name: tercero, dtype: float64
In [24]:
print(u'Seleccionamos todas las columnas cuyo índice está entre tercero y quinto')
print(u'Daos cuenta que en este caso los índices son inclusivos')
print(df.ix['tercero':'quinto'])
Seleccionamos todas las columnas cuyo índice está entre tercero y quinto
Daos cuenta que en este caso los índices son inclusivos
         velocidad  temperatura   presion  velocidad_maxima
tercero  -0.418224     0.603431  0.128822          1.545612
cuarto   -0.320517    -0.643183  0.319838          0.634203
quinto    0.955521    -0.295541 -1.277743          2.389485

[3 rows x 4 columns]
In [25]:
print(u'Seleccionamos todos los valores de velocidad donde la temperatura > 0')
print(df[df['temperatura'] > 0]['velocidad'])
Seleccionamos todos los valores de velocidad donde la temperatura > 0
primero    0.175374
segundo   -0.133466
tercero   -0.418224
Name: velocidad, dtype: float64
In [26]:
print('Seleccionamos todos los valores de una columna por índice usando una')
print('rebanada (slice) de enteros')
print('Daos cuenta que en este caso el límite superior de la rebanada no se')
print('incluye (Python tradicional)')
print(df.ix[1:3])
Seleccionamos todos los valores de una columna por índice usando una
rebanada (slice) de enteros
Daos cuenta que en este caso el límite superior de la rebanada no se
incluye (Python tradicional)
         velocidad  temperatura   presion  velocidad_maxima
segundo  -0.133466     0.987833  0.305844         -0.746577
tercero  -0.418224     0.603431  0.128822          1.545612

[2 rows x 4 columns]
In [28]:
print(u'Seleccionamos filas y columnas')
print(df.ix[1:3, ['velocidad', 'presion']])
Seleccionamos filas y columnas
         velocidad   presion
segundo  -0.133466  0.305844
tercero  -0.418224  0.128822

[2 rows x 2 columns]
In [29]:
# Algunas de las cosas anteriores se pueden realizar sin usar los métodos .ix() o .xs()
print(df['velocidad'][1:3])
segundo   -0.133466
tercero   -0.418224
Name: velocidad, dtype: float64
In [30]:
# Da igual si colocamos el slice primero y después las columnas:
df['velocidad'][1:3] == df[1:3]['velocidad']
Out[30]:
segundo    True
tercero    True
Name: velocidad, dtype: bool

En lo anterior he estado usando los métodos .ix(), .xs() para obtener partes del DataFrame. Son herramientas muy flexibles que nos permiten acceder a los datos de forma muy personalizada. Otras opciones sería usar los métodos .loc(), .iloc(), .select().

Es importante tener en cuenta que las series devueltas cuando se indexa un DataFrame son solo vistas y no una copia de los propios datos. Por tanto, debes ser precavido cuando manipulas los datos (al igual que sucede con los numpy arrays y otros tipos de datos). Lo siguiente (hecho con numpy arrays) es equivalente para las estructuras de datos de Pandas.

In [31]:
# Vista, ¡Cuidado!
a = np.random.rand(5)
data = a[0:2]
data[:] = -999
print(a)

# Copias
a = np.random.rand(5)
data = a[0:2].copy()
data[:] = -999
print(a)

a = np.random.rand(5)
data = 1 * a[0:2]
data[:] = -999
print(a)

a = np.random.rand(5)
np.copyto(data, a[0:2]) # En este caso, data tiene que existir
data[:] = -999
print(a)

a = np.random.rand(5)
data = np.array(a[0:2])
data[:] = -999
print(a)
[ -9.99000000e+02  -9.99000000e+02   7.18723608e-01   5.30962716e-01
   3.43706883e-01]
[ 0.20812195  0.36386055  0.17570252  0.31071035  0.38838464]
[ 0.37175682  0.36962863  0.14481144  0.80786818  0.82803089]
[ 0.89958739  0.00190588  0.14769624  0.3378831   0.74536315]
[ 0.19285654  0.51489647  0.19612007  0.52342758  0.2006809 ]

Para acceder a los valores de los índices podemos usar .index.

In [32]:
df.index
Out[32]:
Index(['primero', 'segundo', 'tercero', 'cuarto', 'quinto'], dtype='object')

Para acceder a los valores de las columnas podemos usar .columns.

In [33]:
df.columns
Out[33]:
Index(['velocidad', 'temperatura', 'presion', 'velocidad_maxima'], dtype='object')

Concatenando (concatenate) y uniendo (merge/join) datos.

Concatenar

Para concatenar ficheros se usa la función pd.concat (documentación oficial]. Un ejemplo rápido sería el siguiente:

In [34]:
datos1 = pd.DataFrame(np.random.randn(5,3))
datos2 = pd.DataFrame(np.random.randn(5,3))
piezas = [datos1, datos2]
datos_concatenados_a = pd.concat(piezas)
print('datos1\n {}'.format(datos1))
print('datos2\n {}'.format(datos2))
print('datos_concatenados\n {}'.format(datos_concatenados_a))
datos1
           0         1         2
0 -1.691985 -1.181241 -0.714437
1  0.955094 -0.238498  1.137918
2 -0.533739 -0.285976 -0.990184
3 -0.626446  0.664830  0.278803
4 -0.183818 -0.013190  0.505786

[5 rows x 3 columns]
datos2
           0         1         2
0 -2.063044  2.328388  0.043275
1 -1.720170 -0.039871  0.954244
2 -0.173751  0.047003 -0.979577
3 -0.293044  1.928332 -1.323554
4  0.705127  3.711652 -0.535096

[5 rows x 3 columns]
datos_concatenados
           0         1         2
0 -1.691985 -1.181241 -0.714437
1  0.955094 -0.238498  1.137918
2 -0.533739 -0.285976 -0.990184
3 -0.626446  0.664830  0.278803
4 -0.183818 -0.013190  0.505786
0 -2.063044  2.328388  0.043275
1 -1.720170 -0.039871  0.954244
2 -0.173751  0.047003 -0.979577
3 -0.293044  1.928332 -1.323554
4  0.705127  3.711652 -0.535096

[10 rows x 3 columns]

Interesante, rápido y limpio, como me gusta. Pero, si nos fijamos, tenemos un problema con los índices ya que algunos están repetidos. Si accedemos al índice 0, por ejemplo, obtendríamos dos filas de valores en lugar de una.

In [35]:
datos_concatenados_a.ix[0]
Out[35]:
0 1 2
0 -1.691985 -1.181241 -0.714437
0 -2.063044 2.328388 0.043275

2 rows × 3 columns

Lo anterior podría llevar a equívocos. Esto lo podemos solventar de varias formas. Una sería reescribiendo la columna de índices para que no haya malentendidos al hacer cualquier operación. Por ejemplo:

In [36]:
datos_concatenados_aa = datos_concatenados_a
datos_concatenados_aa.index = range(datos_concatenados_aa.shape[0])
print('datos_concatenados\n {}'.format(datos_concatenados_aa))
datos_concatenados
           0         1         2
0 -1.691985 -1.181241 -0.714437
1  0.955094 -0.238498  1.137918
2 -0.533739 -0.285976 -0.990184
3 -0.626446  0.664830  0.278803
4 -0.183818 -0.013190  0.505786
5 -2.063044  2.328388  0.043275
6 -1.720170 -0.039871  0.954244
7 -0.173751  0.047003 -0.979577
8 -0.293044  1.928332 -1.323554
9  0.705127  3.711652 -0.535096

[10 rows x 3 columns]

O usando la palabra clave ignore_index pasándole el valor True al crear la concatenación. Por ejemplo:

In [37]:
datos_concatenados_aa = pd.concat(piezas, ignore_index = True)
print(datos_concatenados_aa)
          0         1         2
0 -1.691985 -1.181241 -0.714437
1  0.955094 -0.238498  1.137918
2 -0.533739 -0.285976 -0.990184
3 -0.626446  0.664830  0.278803
4 -0.183818 -0.013190  0.505786
5 -2.063044  2.328388  0.043275
6 -1.720170 -0.039871  0.954244
7 -0.173751  0.047003 -0.979577
8 -0.293044  1.928332 -1.323554
9  0.705127  3.711652 -0.535096

[10 rows x 3 columns]

Vale, hemos solventado el anterior problema pero que pasa si, por la razón que sea, nos interesase conservar los índices originales. Podríamos usar palabras clave para cada 'cosa' concatenada en el DataFrame final. Ejemplo:

In [38]:
#datos1 = pd.DataFrame(np.random.randn(5,3))
#datos2 = pd.DataFrame(np.random.randn(5,3))
#piezas = [datos1, datos2]
datos_concatenados_b = pd.concat(piezas, keys = ['datos1', 'datos2'])
print('datos1\n {}'.format(datos1))
print('datos2\n {}'.format(datos2))
print('datos_concatenados\n {}'.format(datos_concatenados_b))
datos1
           0         1         2
0 -1.691985 -1.181241 -0.714437
1  0.955094 -0.238498  1.137918
2 -0.533739 -0.285976 -0.990184
3 -0.626446  0.664830  0.278803
4 -0.183818 -0.013190  0.505786

[5 rows x 3 columns]
datos2
           0         1         2
0 -2.063044  2.328388  0.043275
1 -1.720170 -0.039871  0.954244
2 -0.173751  0.047003 -0.979577
3 -0.293044  1.928332 -1.323554
4  0.705127  3.711652 -0.535096

[5 rows x 3 columns]
datos_concatenados
                  0         1         2
datos1 0 -1.691985 -1.181241 -0.714437
       1  0.955094 -0.238498  1.137918
       2 -0.533739 -0.285976 -0.990184
       3 -0.626446  0.664830  0.278803
       4 -0.183818 -0.013190  0.505786
datos2 0 -2.063044  2.328388  0.043275
       1 -1.720170 -0.039871  0.954244
       2 -0.173751  0.047003 -0.979577
       3 -0.293044  1.928332 -1.323554
       4  0.705127  3.711652 -0.535096

[10 rows x 3 columns]

Vemos que hay índices repetidos pero están en 'grupos' diferentes. De esta forma, si queremos acceder a la fila con índice 0 del primer grupo de datos concatenados (datos1) podemos hacer lo siguiente:

In [39]:
print(datos_concatenados_b.ix['datos1'].ix[0])
0   -1.691985
1   -1.181241
2   -0.714437
Name: 0, dtype: float64

Estamos viendo filas, pero podemos hacer los mismo para las columnas, por supuesto, usando el nombre de la columna (en el ejemplo siguiente, la columna 0):

In [40]:
print(datos_concatenados_b.ix['datos1'][0])
0   -1.691985
1    0.955094
2   -0.533739
3   -0.626446
4   -0.183818
Name: 0, dtype: float64

Vemos qué tipo de índice es este índice 'compuesto' que hemos creado:

In [41]:
datos_concatenados_b.index
Out[41]:
MultiIndex(levels=[['datos1', 'datos2'], [0, 1, 2, 3, 4]],
           labels=[[0, 0, 0, 0, 0, 1, 1, 1, 1, 1], [0, 1, 2, 3, 4, 0, 1, 2, 3, 4]])

Vemos que es un MultiIndex. No vamos a ver mucho más pero os lo dejo anotado para que sepáis que existen combinaciones de índices (o de columnas) y se manejan de forma un poco más compleja que un índice 'simple'. Se conoce como indexación jerárquica y permiten ser un poco más descriptivos (verbose) con nuestros DataFrames aunque conlleva un punto más de complejidad a la hora de trabajar con los datos.

¿Qué pasa cuando una de las columnas no es igual en los grupos de datos que queramos concatenar? El nuevo DataFrame tendrá en cuenta este aspecto rellenando con NaNs donde convenga. Veamos el siguiente código de ejemplo:

In [42]:
datos1 = pd.DataFrame(np.random.randn(5,3))
datos2 = pd.DataFrame(np.random.randn(5,4))
piezas = [datos1, datos2]
datos_concatenados_c = pd.concat(piezas, ignore_index = True)
print('datos1\n {}'.format(datos1))
print('datos2\n {}'.format(datos2))
print('datos_concatenados\n {}'.format(datos_concatenados_c))
datos1
           0         1         2
0 -0.082729 -0.016452 -1.280156
1  0.606336 -0.504770 -2.017690
2 -2.147009 -0.632275  0.023689
3 -0.255461 -0.042007  0.661835
4  2.351576  0.735611 -0.187072

[5 rows x 3 columns]
datos2
           0         1         2         3
0 -0.223023  0.070622 -0.577119 -1.430177
1 -1.661289 -0.214221  0.709818 -0.642611
2 -0.098368 -0.489105 -1.373906 -2.104431
3  0.880578 -0.601151 -1.450542 -0.289738
4 -1.461346 -0.539262  0.327825 -0.944431

[5 rows x 4 columns]
datos_concatenados
           0         1         2         3
0 -0.082729 -0.016452 -1.280156       NaN
1  0.606336 -0.504770 -2.017690       NaN
2 -2.147009 -0.632275  0.023689       NaN
3 -0.255461 -0.042007  0.661835       NaN
4  2.351576  0.735611 -0.187072       NaN
5 -0.223023  0.070622 -0.577119 -1.430177
6 -1.661289 -0.214221  0.709818 -0.642611
7 -0.098368 -0.489105 -1.373906 -2.104431
8  0.880578 -0.601151 -1.450542 -0.289738
9 -1.461346 -0.539262  0.327825 -0.944431

[10 rows x 4 columns]

Vemos que el primer grupo de datos, datos1, solo tiene tres columnas mientras que el segundo grupo, datos2, tiene 4 columnas. El resultado final tendrá en cuenta esto y rellenerá la columna 3 que pertenece a los datos del primer grupo de datos, datos1. Cool!

Lo visto hasta ahora para concatenar Series o DataFrames lo podemos hacer también usando el método append. Veamos un ejemplo similar a lo anterior:

In [43]:
datos1 = pd.DataFrame(np.random.randn(5,3))
datos2 = pd.DataFrame(np.random.randn(5,4))
datos_concatenados_d = datos1.append(datos2, ignore_index = True)
print('datos1\n {}'.format(datos1))
print('datos2\n {}'.format(datos2))
print('datos_concatenados\n {}'.format(datos_concatenados_d))
datos1
           0         1         2
0 -0.974367  1.732370  0.354479
1 -0.021746  2.215287  1.107243
2  0.018506  1.301015  1.103651
3 -1.857281 -1.181981  0.097104
4 -0.595689  0.140885  1.993213

[5 rows x 3 columns]
datos2
           0         1         2         3
0 -0.211180 -0.093403  0.215210 -0.154284
1  0.206997  1.277379 -0.893895 -0.216731
2 -1.138390 -0.067240  1.688928 -2.191215
3  0.938069  0.174496 -1.722735 -0.873746
4  0.177425  0.823896 -0.595673 -0.426416

[5 rows x 4 columns]
datos_concatenados
           0         1         2         3
0 -0.974367  1.732370  0.354479       NaN
1 -0.021746  2.215287  1.107243       NaN
2  0.018506  1.301015  1.103651       NaN
3 -1.857281 -1.181981  0.097104       NaN
4 -0.595689  0.140885  1.993213       NaN
5 -0.211180 -0.093403  0.215210 -0.154284
6  0.206997  1.277379 -0.893895 -0.216731
7 -1.138390 -0.067240  1.688928 -2.191215
8  0.938069  0.174496 -1.722735 -0.873746
9  0.177425  0.823896 -0.595673 -0.426416

[10 rows x 4 columns]

Unir (merge/join)

Pandas dispone de la función merge (documentación oficial) que permite 'unir' datos al estilo de como se hace con bases de datos relacionales (usando SQL). También se puede acceder al método merge disponible en las instancias a un Dataframe.

Por su parte, join es un método disponible en un DataFrame y sirve para hacer uniones de índices sobre índices o de índices sobre columnas. Las uniones que hace join las hace sobre los índices, en lugar de hacerlo sobre columnas comunes como se hace con merge. A ver si viendo los ejemplos queda un poco mejor este último párrafo y las diferencias entre join y merge.

Las uniones pueden ser uno-a-uno, muchos-a-uno o muchos-a-muchos.

Una unión uno-a-uno sería cuando unimos dos tablas (DataFrames) con índices únicos como hemos hecho en el apartado anterior con las concatenaciones.

In [44]:
datos1 = pd.DataFrame(np.random.randn(10), columns = ['columna1'])
datos2 = pd.DataFrame(np.random.randn(14), columns = ['columna2'], index = np.arange(1,15))
datos1j = datos1.join(datos2)
datos2j = datos2.join(datos1)
print('datos1j \n{}\n'.format(datos1j))
print('datos2j \n{}'.format(datos2j))
datos1j 
   columna1  columna2
0 -0.209303       NaN
1 -0.430892  1.052453
2  0.766200 -0.346896
3  1.773694 -0.249700
4 -2.259187 -0.588739
5 -0.930647  0.160590
6  0.029990  0.421446
7  0.812770 -0.315913
8  0.681786  0.256745
9 -0.115109  0.524278

[10 rows x 2 columns]

datos2j 
    columna2  columna1
1   1.052453 -0.430892
2  -0.346896  0.766200
3  -0.249700  1.773694
4  -0.588739 -2.259187
5   0.160590 -0.930647
6   0.421446  0.029990
7  -0.315913  0.812770
8   0.256745  0.681786
9   0.524278 -0.115109
10 -1.707269       NaN
11 -1.140342       NaN
12 -1.751337       NaN
13 -0.481319       NaN
14  1.604800       NaN

[14 rows x 2 columns]

En los anteriores ejemplos, datos1j es el resultado de unir los datos datos2 a los datos datos1 en todos los índices comunes que tienen ambos teniendo solo en cuenta el rango de índices definido en datos1. Si algún dato en datos2 no tiene un índice presente en datos1 se rellenará con un NaN. Con datos2j sucede lo mismo que con datos1j lo que el índice que tiene relevancia ahora es el perteneciente a datos2j. No sé si habrá quedado más o menos claro.

Ahora vamos a unir pero usando la palabra clave how que nos permite decir como se van a tener en cuenta los índices. Normalmente le pasaremos el parámetro outer o inner. El primero, outer, indica que los índices de los DataFrames se unen como en una unión de conjuntos, el segundo, inner, une los índices como si hiciéramos una intersección de conjuntos. Veamos un par de ejemplos para que se vea de forma práctica, el primero usando outer y el segundo usando inner:

In [45]:
datos3j1 = datos1.join(datos2, how = 'outer')
datos3j2 = datos2.join(datos1, how = 'outer')
print('datos3j1 \n{}\n'.format(datos3j1))
print('datos3j2 recolocados\n{}\n'.format(datos3j2.ix[:, ['columna1','columna2']]))
print('datos3j2 \n{}'.format(datos3j2))
datos3j1 
    columna1  columna2
0  -0.209303       NaN
1  -0.430892  1.052453
2   0.766200 -0.346896
3   1.773694 -0.249700
4  -2.259187 -0.588739
5  -0.930647  0.160590
6   0.029990  0.421446
7   0.812770 -0.315913
8   0.681786  0.256745
9  -0.115109  0.524278
10       NaN -1.707269
11       NaN -1.140342
12       NaN -1.751337
13       NaN -0.481319
14       NaN  1.604800

[15 rows x 2 columns]

datos3j2 recolocados
    columna1  columna2
0  -0.209303       NaN
1  -0.430892  1.052453
2   0.766200 -0.346896
3   1.773694 -0.249700
4  -2.259187 -0.588739
5  -0.930647  0.160590
6   0.029990  0.421446
7   0.812770 -0.315913
8   0.681786  0.256745
9  -0.115109  0.524278
10       NaN -1.707269
11       NaN -1.140342
12       NaN -1.751337
13       NaN -0.481319
14       NaN  1.604800

[15 rows x 2 columns]

datos3j2 
    columna2  columna1
0        NaN -0.209303
1   1.052453 -0.430892
2  -0.346896  0.766200
3  -0.249700  1.773694
4  -0.588739 -2.259187
5   0.160590 -0.930647
6   0.421446  0.029990
7  -0.315913  0.812770
8   0.256745  0.681786
9   0.524278 -0.115109
10 -1.707269       NaN
11 -1.140342       NaN
12 -1.751337       NaN
13 -0.481319       NaN
14  1.604800       NaN

[15 rows x 2 columns]
In [46]:
datos4j1 = datos1.join(datos2, how = 'inner')
datos4j2 = datos2.join(datos1, how = 'inner')
print('datos4j1 \n{}\n'.format(datos4j1))
print('datos4j2 recolocados\n{}\n'.format(datos4j2.ix[:, ['columna1','columna2']]))
print('datos4j2 \n{}'.format(datos4j2))
datos4j1 
   columna1  columna2
1 -0.430892  1.052453
2  0.766200 -0.346896
3  1.773694 -0.249700
4 -2.259187 -0.588739
5 -0.930647  0.160590
6  0.029990  0.421446
7  0.812770 -0.315913
8  0.681786  0.256745
9 -0.115109  0.524278

[9 rows x 2 columns]

datos4j2 recolocados
   columna1  columna2
1 -0.430892  1.052453
2  0.766200 -0.346896
3  1.773694 -0.249700
4 -2.259187 -0.588739
5 -0.930647  0.160590
6  0.029990  0.421446
7  0.812770 -0.315913
8  0.681786  0.256745
9 -0.115109  0.524278

[9 rows x 2 columns]

datos4j2 
   columna2  columna1
1  1.052453 -0.430892
2 -0.346896  0.766200
3 -0.249700  1.773694
4 -0.588739 -2.259187
5  0.160590 -0.930647
6  0.421446  0.029990
7 -0.315913  0.812770
8  0.256745  0.681786
9  0.524278 -0.115109

[9 rows x 2 columns]

Todo lo anterior se puede hacer también usando la función o método merge pero encuentro que es una forma un poco más rebuscada por lo que no la vamos a mostrar aquí ya que añade complejidad. Veremos usos de merge más adelante.

Ahora vamos a mostrar una unión muchos-a-uno. Estas uniones se hacen sobre una o más columnas como referencia, no a partir de índices, por lo que los valores contenidos pueden no ser únicos. Como siempre, vamos a ver un poco de código para ver si clarifica un poco más la teoría:

In [47]:
datos1 = pd.DataFrame(np.random.randn(10), columns = ['columna1'])
datos1['otra_columna'] = ['hola', 'mundo'] * 5
datos2 = pd.DataFrame(np.random.randn(2,2), columns = ['col1', 'col2'], index = ['hola', 'mundo'])
print('datos1 \n {} \n'.format(datos1))
print('datos2 \n {} \n'.format(datos2))
print(u'Unión de datos \n {} \n'.format(datos1.join(datos2, on = 'otra_columna')))
datos1 
    columna1 otra_columna
0 -2.086230         hola
1 -1.015736        mundo
2 -0.919460         hola
3  0.923531        mundo
4 -0.445977         hola
5  0.719787        mundo
6  1.064480         hola
7 -0.235803        mundo
8  1.395844         hola
9  1.492875        mundo

[10 rows x 2 columns] 

datos2 
            col1      col2
hola   0.400267 -0.678126
mundo  0.855735  0.619193

[2 rows x 2 columns] 

Unión de datos 
    columna1 otra_columna      col1      col2
0 -2.086230         hola  0.400267 -0.678126
1 -1.015736        mundo  0.855735  0.619193
2 -0.919460         hola  0.400267 -0.678126
3  0.923531        mundo  0.855735  0.619193
4 -0.445977         hola  0.400267 -0.678126
5  0.719787        mundo  0.855735  0.619193
6  1.064480         hola  0.400267 -0.678126
7 -0.235803        mundo  0.855735  0.619193
8  1.395844         hola  0.400267 -0.678126
9  1.492875        mundo  0.855735  0.619193

[10 rows x 4 columns] 

Estamos uniendo sobre los valores de la columna del DataFrame datos1 que presenta valores presentes en los índices del DataFrame datos2. En el anterior ejemplo hemos unido teniendo en cuenta una única columna, si queremos unir teniendo en cuenta varias columnas, el DataFrame que se le pase deberá presentar un MultiÍndice con tantos índices como columnas usemos (ver documentación sobre MultiÍndices y sobre unión con ellos).

Para hacer uniones de muchos-a-muchos usaremos merge que ofrece mayor libertad para poder hacer uniones de cualquier tipo (también las que hemos visto hasta ahora de uno-a-uno y de muchos-a-uno).

En el siguiente ejemplo vamos a hacer una unión de dos DataFrames usando merge y luego iremos explicando lo que hemos estado haciendo poco a poco para ver si se entiende un poco mejor.

In [48]:
datos_dcha = pd.DataFrame({'clave': ['foo'] * 3, 'valor_dcha': np.arange(3)})
datos_izda = pd.DataFrame({'clave': ['foo'] * 3, 'valor_izda': np.arange(5, 8)})
datos_unidos = pd.merge(datos_izda, datos_dcha, on = 'clave')
print('datos_dcha \n {} \n'.format(datos_dcha))
print('datos_izda \n {} \n'.format(datos_izda))
print('datos_unidos \n {}'.format(datos_unidos))
datos_dcha 
   clave  valor_dcha
0   foo           0
1   foo           1
2   foo           2

[3 rows x 2 columns] 

datos_izda 
   clave  valor_izda
0   foo           5
1   foo           6
2   foo           7

[3 rows x 2 columns] 

datos_unidos 
   clave  valor_izda  valor_dcha
0   foo           5           0
1   foo           5           1
2   foo           5           2
3   foo           6           0
4   foo           6           1
5   foo           6           2
6   foo           7           0
7   foo           7           1
8   foo           7           2

[9 rows x 3 columns]

Vemos que si hacemos una unión de la anterior forma, a cada valor de datos_dcha le 'asocia' cada uno de los valores de datos_izda que tengan la misma clave. En la siquiente celda de código vemos otro ejemplo de lo anterior un poco más completo teniendo en cuenta dos columnas de claves y usando el método outer de 'unión':

In [49]:
datos_dcha = pd.DataFrame({'clave1': ['foo', 'foo', 'bar', 'bar'],
                           'clave2': ['one', 'one', 'one', 'two'],
                           'val_dcha': [4, 5, 6, 7]})
datos_izda = pd.DataFrame({'clave1': ['foo', 'foo', 'bar'],
                           'clave2': ['one', 'two', 'one'],
                           'val_izda': [1, 2, 3]})
datos_unidos = pd.merge(datos_izda, datos_dcha, how='outer')
print('datos_dcha \n {} \n'.format(datos_dcha))
print('datos_izda \n {} \n'.format(datos_izda))
print('datos_unidos \n {}'.format(datos_unidos))
datos_dcha 
   clave1 clave2  val_dcha
0    foo    one         4
1    foo    one         5
2    bar    one         6
3    bar    two         7

[4 rows x 3 columns] 

datos_izda 
   clave1 clave2  val_izda
0    foo    one         1
1    foo    two         2
2    bar    one         3

[3 rows x 3 columns] 

datos_unidos 
   clave1 clave2  val_izda  val_dcha
0    foo    one         1         4
1    foo    one         1         5
2    foo    two         2       NaN
3    bar    one         3         6
4    bar    two       NaN         7

[5 rows x 4 columns]

Y mucho más

Esto solo ha sido un pequeño vistazo con cosas que considero importantes pero que no tienen que ser las más importantes. Podéis echarle un ojo a:

  • sort, max, min, head, tail, unique, groupby, apply, transform, stack, unstack, mean, std, isnull, value_counts, notnull, rank, dropna, fillna, describe, cov, corr, duplicated, drop, pivot, pivot_table, drop_duplicates, quantile,...

para seguir viendo cosas útiles.


Analizando datos (si queda tiempo e interés...)

Además de permitirnos indexar, mover, eliminar,..., datos de formas muy diferentes también podemos usar Pandas para hacer análisis de datos. En este sentido es como un numpy supervitaminado y supermineralizado (si queréis hacer análisis estádistico más complejo le podéis echar un vistazo a statsmodels, scikit-learn,...

Vamos a usar unos datos que me he descargado de la página del INE. Los he dejado en formato excel para que veamos como también podemos leer datos excel.

In [51]:
nenas = pd.read_excel('nombres_recien_nacidos.xlsx', 'Niñas', header = 1, skiprows = 1)
nenes = pd.read_excel('nombres_recien_nacidos.xlsx', 'Niños', header = 1, skiprows = 1)
In [52]:
nenas.head(5)
Out[52]:
nombre numero nombre.1 numero.1 nombre.2 numero.2 nombre.3 numero.3 nombre.4 numero.4 nombre.5 numero.5 nombre.6 numero.6 nombre.7 numero.7 nombre.8 numero.8 nombre.9 numero.9
0 LUCIA 6363 LUCIA 6143 LUCIA 6624 LUCIA 6847 LUCIA 8013 LUCIA 8192 LUCIA 9454 LUCIA 10146 LUCIA 10370 LUCIA 9035 ...
1 MARIA 5823 PAULA 5462 PAULA 5859 PAULA 6549 MARIA 6883 MARIA 6927 MARIA 7702 MARIA 7784 MARIA 7865 MARIA 8709 ...
2 PAULA 5375 MARIA 5339 MARIA 5767 MARIA 6113 PAULA 6806 PAULA 6402 PAULA 6516 PAULA 6684 PAULA 7147 PAULA 7003 ...
3 DANIELA 4748 SARA 4345 DANIELA 4680 SARA 4417 SARA 4730 SARA 4606 LAURA 5144 LAURA 5276 LAURA 5638 LAURA 5451 ...
4 SARA 4456 DANIELA 4270 SARA 4662 DANIELA 4279 CARLA 4271 LAURA 4335 CLAUDIA 4756 MARTA 4592 MARTA 4583 MARTA 4608 ...

5 rows × 22 columns

In [56]:
cols_1 = []
for i in range(2012,2001,-1):
    cols_1.append((str(i),'nombre'))
    cols_1.append((str(i), 'numero'))
cols = pd.MultiIndex.from_tuples(cols_1, names=['año','campo'])
In [57]:
nenes.columns = cols
nenas.columns = cols
nenes.index = range(1,101)
nenas.index = range(1,101)
In [58]:
nenes.tail(5)
Out[58]:
año 2012 2011 2010 2009 2008 2007 2006 2005 2004 2003
campo nombre numero nombre numero nombre numero nombre numero nombre numero nombre numero nombre numero nombre numero nombre numero nombre numero
96 YERAY 517 GAEL 439 JUANJOSE 442 YERAY 458 JUANANTONIO 467 JUANANTONIO 465 BRUNO 478 ADAM 427 MIKEL 431 IZAN 397 ...
97 GAEL 501 YERAY 439 JON 436 JOSEMARIA 447 AIMAR 464 CESAR 461 SAUL 477 JON 419 MATEO 428 GUILLEM 385 ...
98 JON 493 JON 431 NIL 425 SERGI 447 ROGER 457 AIMAR 458 JUANCARLOS 472 MIKEL 415 DARIO 426 ABEL 380 ...
99 MIKEL 485 ANDER 419 ARTURO 419 MIKEL 444 JOAQUIN 446 ANDER 443 ROGER 469 FRANCISCOJOSE 413 ALFONSO 418 MARTI 376 ...
100 GUILLEM 479 JUANJOSE 418 JOAQUIN 419 KEVIN 440 JOSEMARIA 446 XAVIER 442 FRANCISCOJOSE 455 AIMAR 402 ANDER 416 MATEO 373 ...

5 rows × 22 columns

In [59]:
nenas.T.xs('nombre', level = 'campo')
Out[59]:
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20
año
2012 LUCIA MARIA PAULA DANIELA SARA CARLA MARTINA SOFIA JULIA ALBA VALERIA CLAUDIA IRENE MARTA LAURA NOA CARMEN ADRIANA AINHOA ELENA ...
2011 LUCIA PAULA MARIA SARA DANIELA CARLA SOFIA ALBA CLAUDIA MARTINA JULIA MARTA IRENE LAURA VALERIA CARMEN ADRIANA ELENA NOA ANA ...
2010 LUCIA PAULA MARIA DANIELA SARA CARLA CLAUDIA SOFIA ALBA IRENE MARTA LAURA JULIA MARTINA CARMEN ADRIANA AITANA ELENA ANA NOA ...
2009 LUCIA PAULA MARIA SARA DANIELA CARLA CLAUDIA MARTA IRENE SOFIA ALBA LAURA JULIA CARMEN MARTINA ANA AITANA ELENA ANDREA ADRIANA ...
2008 LUCIA MARIA PAULA SARA CARLA CLAUDIA LAURA MARTA IRENE ALBA SOFIA DANIELA JULIA ANDREA ANA CARMEN ELENA NEREA NATALIA MARTINA ...
2007 LUCIA MARIA PAULA SARA LAURA CLAUDIA IRENE MARTA ALBA CARLA ANDREA JULIA ANA SOFIA NEREA DANIELA NATALIA CARMEN ELENA ROCIO ...
2006 LUCIA MARIA PAULA LAURA CLAUDIA IRENE MARTA ALBA SARA CARLA ANDREA NEREA JULIA NATALIA ELENA ANA SOFIA CARMEN DANIELA MARINA ...
2005 LUCIA MARIA PAULA LAURA MARTA ALBA CLAUDIA CARLA ANDREA SARA NEREA IRENE ANA NATALIA JULIA ELENA CARMEN SOFIA MARINA CRISTINA ...
2004 LUCIA MARIA PAULA LAURA MARTA ALBA ANDREA CLAUDIA SARA NEREA CARLA ANA NATALIA IRENE MARINA CRISTINA ELENA CARMEN JULIA AINHOA ...
2003 LUCIA MARIA PAULA LAURA MARTA ANDREA ALBA SARA CLAUDIA ANA NEREA CARLA ELENA CRISTINA AINHOA NATALIA MARINA IRENE CARMEN NURIA ...
2002 MARIA LUCIA PAULA LAURA MARTA ALBA ANDREA SARA ANA NEREA CLAUDIA MARINA CRISTINA ELENA IRENE NATALIA CARLA CARMEN NURIA AINHOA ...

11 rows × 100 columns

In [60]:
indices = nenas.T.xs('nombre', level = 'campo') == 'LUCIA'
In [61]:
plt.figure(figsize = (20,6))
nenas.T.xs('numero',level = 'campo')[indices].sum().plot(kind='bar')
print(nenas.T.xs('numero',level = 'campo')[indices].sum().sum())
88899.0
In [62]:
plt.figure(figsize = (20,6))
indices = nenas.T.xs('nombre', level = 'campo') == 'LUCIA'
#nenas.T.xs('numero',level = 'campo')[indices].sum(axis = 1).plot(kind = 'bar', color = 'k')
nenas.T.xs('numero',level = 'campo')[indices].sum(axis = 1).plot(color = 'k')
print(nenas.T.xs('numero',level = 'campo')[indices].sum().sum())
indices = nenas.T.xs('nombre', level = 'campo') == 'MARIA'
#nenas.T.xs('numero',level = 'campo')[indices].sum(axis = 1).plot(kind = 'bar', color = 'y', alpha = 0.75)
nenas.T.xs('numero',level = 'campo')[indices].sum(axis = 1).plot(color = 'y')
print(nenas.T.xs('numero',level = 'campo')[indices].sum().sum())
indices = nenas.T.xs('nombre', level = 'campo') == 'PAULA'
#nenas.T.xs('numero',level = 'campo')[indices].sum(axis = 1).plot(kind = 'bar', color = 'y', alpha = 0.75)
nenas.T.xs('numero',level = 'campo')[indices].sum(axis = 1).plot(color = 'b')
print(nenas.T.xs('numero',level = 'campo')[indices].sum().sum())
88899.0
77750.0
69759.0
In [63]:
nenes.T.xs('nombre', level = 'campo')
Out[63]:
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20
año
2012 DANIEL HUGO ALEJANDRO PABLO ALVARO ADRIAN DAVID DIEGO MARIO JAVIER MARCOS MANUEL SERGIO NICOLAS IKER LUCAS IVAN CARLOS MIGUEL JORGE ...
2011 ALEJANDRO DANIEL PABLO HUGO ALVARO ADRIAN DAVID DIEGO JAVIER MARIO SERGIO MARCOS MANUEL IKER NICOLAS JORGE IVAN CARLOS MIGUEL LUCAS ...
2010 DANIEL ALEJANDRO PABLO HUGO ALVARO ADRIAN DAVID JAVIER DIEGO MARIO MARCOS SERGIO IKER IVAN MANUEL JORGE AITOR MIGUEL CARLOS SAMUEL ...
2009 DANIEL ALEJANDRO PABLO HUGO ALVARO ADRIAN DAVID JAVIER SERGIO DIEGO IVAN MARIO MARCOS IKER MANUEL CARLOS JORGE MIGUEL SAMUEL LUCAS ...
2008 DANIEL ALEJANDRO PABLO DAVID ADRIAN HUGO ALVARO JAVIER DIEGO SERGIO MARCOS IVAN IKER MANUEL MARIO JORGE CARLOS MIGUEL RUBEN ANTONIO ...
2007 DANIEL ALEJANDRO PABLO DAVID ADRIAN ALVARO HUGO JAVIER DIEGO SERGIO MARCOS JORGE IVAN CARLOS MANUEL MARIO MIGUEL IKER RUBEN ANTONIO ...
2006 ALEJANDRO DANIEL PABLO DAVID ADRIAN ALVARO JAVIER SERGIO HUGO DIEGO CARLOS MARCOS MARIO IVAN MANUEL MIGUEL JORGE RUBEN IKER RAUL ...
2005 ALEJANDRO DANIEL PABLO DAVID ADRIAN JAVIER ALVARO SERGIO CARLOS MARCOS IVAN HUGO DIEGO JORGE MIGUEL MANUEL MARIO RAUL ANTONIO RUBEN ...
2004 ALEJANDRO DAVID DANIEL PABLO ADRIAN ALVARO JAVIER SERGIO CARLOS MARCOS IVAN HUGO MARIO JORGE DIEGO MIGUEL MANUEL RAUL RUBEN ANTONIO ...
2003 ALEJANDRO DANIEL PABLO DAVID JAVIER ADRIAN ALVARO SERGIO CARLOS HUGO MARIO JORGE DIEGO IVAN RAUL MANUEL MIGUEL ANTONIO RUBEN JUAN ...
2002 ALEJANDRO PABLO DANIEL DAVID ADRIAN JAVIER ALVARO SERGIO CARLOS MARIO JORGE RAUL MANUEL DIEGO MIGUEL IVAN ANTONIO JUAN RUBEN VICTOR ...

11 rows × 100 columns

In [64]:
plt.figure(figsize = (20,6))
indices = nenes.T.xs('nombre', level = 'campo') == 'DANIEL'
nenes.T.xs('numero',level = 'campo')[indices].sum(axis = 1).plot(color = 'k')
print(nenes.T.xs('numero',level = 'campo')[indices].sum().sum())
indices = nenes.T.xs('nombre', level = 'campo') == 'ALEJANDRO'
nenes.T.xs('numero',level = 'campo')[indices].sum(axis = 1).plot(color = 'y', alpha = 0.5)
print(nenes.T.xs('numero',level = 'campo')[indices].sum().sum())
indices = nenes.T.xs('nombre', level = 'campo') == 'PABLO'
nenes.T.xs('numero',level = 'campo')[indices].sum(axis = 1).plot(color = 'b', alpha = 0.5)
print(nenes.T.xs('numero',level = 'campo')[indices].sum().sum())
indices = nenes.T.xs('nombre', level = 'campo') == 'HUGO'
nenes.T.xs('numero',level = 'campo')[indices].sum(axis = 1).plot(color = 'g', alpha = 0.5)
print(nenes.T.xs('numero',level = 'campo')[indices].sum().sum())
68603.0
74439.0
63519.0
44830.0
In [ ]: