Hoja de referencia de Pandas para ciencia de datos en Python
evelyn clarke
⚡ Resumen inteligente
Las hojas de referencia de Pandas condensan los comandos más utilizados de la biblioteca en una sola página. Esta guía los agrupa por tarea: instalación, creación de Series y DataFrames, importación de archivos, selección de filas, limpieza de datos, aplicación de funciones y exportación de resultados.
¿Qué es una guía rápida de Pandas?
La biblioteca Pandas incluye cientos de funciones, pero solo un pequeño subconjunto aparece en el trabajo diario. Hoja de trucos de Pandas Es una referencia de una página que enumera esos comandos, agrupados según la tarea que realizan.
Cubre las estructuras Series y DataFrame, la importación y exportación de archivos, la selección y ordenación de datos, la limpieza de valores y la aplicación de funciones. Cada sección a continuación combina una breve explicación con código ejecutable, por lo que la página también funciona como un repaso para su habilidades de análisis de datos.
👉 Descargue el PDF de la hoja de referencia aquí
Cómo instalar e importar Pandas
Dos comandos configuran Pandas, y ambos se ejecutan en una terminal o en un Jupyter Notebook célula.
Paso 1) Instalar Pandas
Ejecute esto una vez por entorno; antepóngale un signo de exclamación en una celda del cuaderno.
pip install pandas
Paso 2) Importar Pandas
Importa el paquete bajo el alias pd, lo cual se presupone en todos los ejemplos aquí presentados.
import pandas as pd
Ahora puedes usar las funciones de Pandas para manipular, analizar y limpiar datos. Las secciones siguientes las enumeran en el orden en que normalmente las utilizas.
Estructuras de datos de Pandas
Pandas tiene dos estructuras de datos, Serie y Marco de datosAmbos son arreglos etiquetados y ambos pueden contener cualquier tipo de dato. La única diferencia es la dimensionalidad: una Serie es un arreglo unidimensional y un DataFrame es un arreglo bidimensional construido a partir de NumPy matrices debajo.
| Elemento | Serie | Marco de datos |
|---|---|---|
| Dimensiones | Unidimensional | Bidimensional |
| Reservaciones | Una sola columna etiquetada | Muchas columnas, tipos de datos mixtos |
| Constructor | pd.Series() | pd.DataFrame() |
1. Serie
Es una matriz etiquetada unidimensional. Puede contener cualquier tipo de dato y None se convierte en un valor faltante.
s = pd.Series([2, -4, 6, 3, None], index=['A', 'B', 'C', 'D', 'E'])
2. Marco de datos
Se trata de una matriz bidimensional etiquetada. Puede contener cualquier tipo de dato y columnas de diferentes tamaños.
data = {'RollNo' : [101, 102, 75, 99],
'Name' : ['Mithlesh', 'Ram', 'Rudra', 'Mithlesh'],
'Course' : ['Nodejs', None, 'Nodejs', 'JavaScript']
}
df = pd.DataFrame(data, columns=['RollNo', 'Name', 'Course'])
df.head()
La hoja de referencia imprimible que aparece a continuación recopila los mismos comandos en una sola página.
Importar datos
Pandas puede leer muchos tipos de archivos directamente en un DataFrame. Cada lector a continuación devuelve uno, y read_csv () es el más utilizado.
# Import a CSV file pd pd.read_csv(filename) # Import a TSV file pd.read_table(filename) # Import a Excel file pd pd.read_excel(filename) # Import a SQL table/database pd.read_sql(query, connection_object) # Import a JSON file pd.read_json(json_string) # Import a HTML file pd.read_html(url) # From clipboard to read_table() pd.read_clipboard() # From dict pd.DataFrame(dict)
Selección
Puedes seleccionar elementos por su ubicación o por su etiqueta de índice. La misma sintaxis de corchetes selecciona filas, columnas y segmentos de ambas estructuras.
1. Serie
# Accessing one element from Series s['D'] # Accessing all elements between two given indices s['A':'C'] # Accessing all elements from starting till given index s[:'C'] # Accessing all elements from given index till end s['B':]
2. Marco de datos
# Accessing one column df df['Name'] # Accessing rows from after given row df[1:] # Accessing till before given row df[:1] # Accessing rows between two given rows df[1:2]
Seleccionar mediante indexación booleana y configuración
Usar iloc y iat para posiciones enteras, y loc y at para etiquetas.
1. Por Posición
df.iloc[0, 1] df.iat[0, 1]
2. Por etiqueta
df.loc[[0], ['Name']]
3. Por etiqueta/posición
df.loc[2] # Both are same
df.iloc[2]
4. Indexación booleana
Una máscara booleana conserva solo las filas donde la condición es verdadera. El segundo ejemplo añade el operador NOT. ~, por lo que también devuelve valores que no son superiores a 1.
# Series s where value is > 1 s[(s > 0)] # Series s where value is <-2 or >1 s[(s < -2) | ~(s > 1)] # Use filter to adjust DataFrame df[df['RollNo']>100] # Set index a of Series s to 6 s['D'] = 10 s.head()
Limpieza de datos
Para Python Para fines de limpieza de datos, puede realizar las siguientes operaciones:
- Cambie el nombre de las columnas usando el
rename()método. - Actualizar valores usando el
at[]oriat[]método para acceder y modificar elementos específicos. - Cree una copia de una Serie o DataFrame utilizando el
copy()método. - Compruebe si hay valores NULL utilizando el
isnull()método, y déjelos caer usando eldropna()método. - Compruebe si hay valores duplicados utilizando el
duplicated()método. Suéltalos usando eldrop_duplicates()método. - Reemplace los valores NULL usando el
fillna()método con un valor especificado. - Reemplazar valores usando el
replace()método. - Ordenar valores usando el
sort_values()método. - Valores de clasificación utilizando el
rank()método.
# Renaming columns df.columns = ['a','b','c'] df.head() # Mass renaming of columns df = df.rename(columns={'RollNo': 'ID', 'Name': 'Student_Name'}) # Or use this edit in same DataFrame instead of in copy df.rename(columns={'RollNo': 'ID', 'Name': 'Student_Name'}, inplace=True) df.head() # Counting duplicates in a column df.duplicated(subset='Name') # Removing entire row that has duplicate in given column df.drop_duplicates(subset=['Name']) # You can choose which one keep - by default is first df.drop_duplicates(subset=['Name'], keep='last') # Checks for Null Values s.isnull() # Checks for non-Null Values - reverse of isnull() s.notnull() # Checks for Null Values df df.isnull() # Checks for non-Null Values - reverse of isnull() df.notnull() # Drops all rows that contain null values df.dropna() # Drops all columns that contain null values df.dropna(axis=1) # Replaces all null values with 'Guru99' df.fillna('Guru99') # Replaces all null values with the mean s.fillna(s.mean()) # Converts the datatype of the Series to float s.astype(float) # Replaces all values equal to 6 with 'Six' s.replace(6,'Six') # Replaces all 2 with 'Two' and 6 with 'Six' s.replace([2,6],['Two','Six']) # Drop from rows (axis=0) s.drop(['B', 'D']) # Drop from columns(axis=1) df.drop('Name', axis=1) # Sort by labels with axis df.sort_index() # Sort by values with axis df.sort_values(by='RollNo') # Ranking entries df.rank() # s1 is pointing to same Series as s s1 = s # s_copy of s, but not pointing same Series s_copy = s.copy() # df1 is pointing to same DataFrame as df df1 = s # df_copy of df, but not pointing same DataFrame df_copy = df.copy()
Tenga en cuenta que s1 = s solo crea un segundo nombre para el mismo objeto, nunca una copia; por eso copy() lo sigue.
Recuperación de información
Puedes realizar estas operaciones para recuperar información:
- Utilice el
shapeatributo para obtener el número de filas y columnas. - Utilice el
head()ortail()método para obtener las primeras o las últimas filas como muestra. - Utilice el
info(),describe()ordtypesMétodo para obtener información sobre el tipo de datos, recuento, media, desviación estándar, valores mínimos y máximos. - Utilice el
count(),min(),max(),sum(),mean()ymedian()métodos para obtener información estadística específica para los valores. - Utilice el
loc[]método para obtener una fila. - Utilice el
groupby()Método para aplicar la función GROUP BY para agrupar valores similares en una columna de un DataFrame.
1. Información básica
# Counting all elements in Series len(s) # Counting all elements in DataFrame len(df) # Prints number of rows and columns in dataframe df.shape # Prints first 10 rows by default, if no value set df.head(10) # Prints last 10 rows by default, if no value set df.tail(10) # For counting non-Null values column-wise df.count() # For range of index df df.index # For name of attributes/columns df.columns # Index, Data Type and Memory information df.info() # Datatypes of each column df.dtypes # Summary statistics for numerical columns df.describe()
2. Resumen
# For adding all values column-wise df.sum() # For min column-wise df.min() # For max column-wise df.max() # For mean value in number column df.mean() # For median value in number column df.median() # Count non-Null values s.count() # Count non-Null values df.count() # Return Series of given column df['Name'].tolist() # Name of columns df.columns.tolist() # Creating subset df[['Name', 'Course']] # Return number of values in each group df.groupby('Name').count()
Aplicar funciones
apply() Aplica una función a cada valor. Las reglas de alineación deciden qué sucede cuando dos objetos comparten solo una parte de su índice.
# Define function f = lambda x: x*5 # Apply this function on given Series - For each value s.apply(f) # Apply this function on given DataFrame - For each value df.apply(f)
1. Alineación de datos internos
# NA values for indices that don't overlap s2 = pd.Series([8, -1, 4], index=['A', 'C', 'D']) s + s2
2. Aritmética Operaciones con métodos de llenado
# Fill values that don't overlap
s.add(s2, fill_value=0)
3. Filtrar, ordenar y agrupar por
Estas funciones se pueden utilizar para filtrar, ordenar y agrupar.ping Objetos Series y DataFrames.
# Filter rows where column is greater than 100 df[df['RollNo']>100] # Filter rows where 70 < column < 101 df[(df['RollNo'] > 70) & (df['RollNo'] < 101)] # Sorts values in ascending order s.sort_values() # Sorts values in descending order s.sort_values(ascending=False) # Sorts values by RollNo in ascending order df.sort_values('RollNo') # Sorts values by RollNo in descending order df.sort_values('RollNo', ascending=False)
Exportar datos
Cada escritor que aparece a continuación refleja un lector de la sección de importación, de modo que un archivo puede realizar el viaje de ida y vuelta sin necesidad de herramientas adicionales.
# Export as a CSV file df df.to_csv(filename) # Export as a Excel file df df.to_excel(filename) # Export as a SQL table df df.to_sql(table_name, connection_object) # Export as a JSON file df.to_json(filename) # Export as a HTML table df.to_html(filename) # Write to the clipboard df.to_clipboard()
Colaboración de hoja de trucos
Todos los comandos que aparecen aquí se pueden ejecutar en el cuaderno complementario: Hoja de referencia de pandas – Python para ciencia de datos.ipynb.
