Creando DataFrames

¿Qué es un DataFrame?

Un DataFrame de pandas es una estructura de datos bidimensional etiquetada, piensa en él como una hoja de cálculo, una tabla SQL o un diccionario de objetos Series. Cada columna es una Series y todas las columnas comparten el mismo índice.

import pandas as pd

df = pd.DataFrame({
    "Name": ["Alice", "Bob", "Carol"],
    "Age": [24, 30, 28],
    "Score": [88, 92, 79]
})
print(df)

Salida:

    Name  Age  Score
0  Alice   24     88
1    Bob   30     92
2  Carol   28     79

Creando DataFrames desde diferentes fuentes

Desde un diccionario de listas, cada clave se convierte en un nombre de columna:

df = pd.DataFrame({
    "City": ["Lagos", "Nairobi", "Cairo"],
    "Population": [15_400_000, 4_400_000, 20_900_000],
    "Country": ["Nigeria", "Kenya", "Egypt"]
})

Desde una lista de diccionarios, cada diccionario es una fila:

records = [
    {"Name": "Alice", "Score": 88},
    {"Name": "Bob", "Score": 92},
    {"Name": "Carol", "Score": 79},
]
df = pd.DataFrame(records)

Desde una Series, varias Series se combinan en columnas:

names = pd.Series(["Alice", "Bob", "Carol"])
scores = pd.Series([88, 92, 79])
df = pd.DataFrame({"Name": names, "Score": scores})

Leyendo archivos CSV

La forma más común de cargar datos reales es desde un archivo CSV:

df = pd.read_csv("titanic.csv")

Parámetros útiles para read_csv():

df = pd.read_csv(
    "data.csv",
    index_col="id",        # use 'id' column as the index
    usecols=["name", "age", "fare"],  # load only these columns
    na_values=["?", ""],   # treat '?' and empty strings as NaN
    dtype={"age": "float"} # force column type
)

Para este curso usaremos el conjunto de datos del Titanic, que está disponible en:

# titanic.csv ships with the course — load it from the browser file system.
df = pd.read_csv("titanic.csv")

Inspeccionando tus datos

Después de cargar los datos, inspecciónalos siempre primero:

df.head()        # first 5 rows
df.tail(3)       # last 3 rows
df.shape          # (rows, columns) — e.g. (891, 12)
df.info()         # column names, non-null counts, dtypes
df.describe()     # statistical summary of numeric columns

El método info() es particularmente importante, revela valores faltantes y tipos de datos:

<class 'pandas.core.frame.DataFrame'>
RangeIndex: 891 entries, 0 to 890
Data columns (total 12 columns):
 #   Column    Non-Null Count  Dtype  
---  ------    --------------  -----  
 0   PassengerId  891 non-null   int64  
 1   Survived     891 non-null   int64  
 2   Pclass       891 non-null   int64  
 3   Name         891 non-null   object 
 4   Age          714 non-null   float64
 5   SibSp        891 non-null   int64  
 ...

Observa que Age tiene 714 valores no nulos de 891, eso significa 177 valores faltantes. Limpiarlos es una habilidad central que aprenderás más adelante.

Acceso a columnas

Una vez que tienes un DataFrame, puedes acceder a las columnas como Series:

print(df["Age"])       # returns a Series
print(df.Age)          # dot notation also works (if column name has no spaces)

Selecciona varias columnas pasando una lista:

df[["Name", "Age"]]

Inténtalo

Crea un DataFrame que represente a tres empleados con columnas para Nombre, Departamento y Salario. Imprime el DataFrame y luego muestra solo las columnas Nombre y Salario.

import pandas as pd

employees = pd.DataFrame({
    "Name": ["Amina", "Kofi", "Zara"],
    "Department": ["Engineering", "Marketing", "Engineering"],
    "Salary": [95000, 72000, 88000]
})
print(employees)
print(employees[["Name", "Salary"]])

Conclusiones clave

• Un DataFrame es una tabla con filas etiquetadas (índice) y columnas etiquetadas
• Los diccionarios de listas y las listas de diccionarios son los métodos de construcción más comunes
• pd.read_csv() carga datos externos, usa index_col, usecols y na_values para tener control
• Inspecciona siempre los datos nuevos con head(), info() y describe() antes de analizarlos

Desafío de práctica

Carga el conjunto de datos del Titanic desde la URL anterior. ¿Cuántas filas y columnas tiene? ¿Cuáles son los nombres de las columnas? ¿Cuántas columnas tienen valores faltantes? Usa info() para averiguarlo.