Seleccionando Columnas

Por qué importa la selección de columnas

Los conjuntos de datos suelen tener decenas de columnas. La mayor parte de los análisis se centra en un subconjunto. Seleccionar las columnas correctas reduce el uso de memoria, acelera los cálculos y hace tu código más claro.

Usaremos el conjunto de datos del Titanic a lo largo de esta lección:

import pandas as pd

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

Seleccionando una sola columna

Notación de corchetes, el enfoque más común:

ages = df["Age"]
print(type(ages))   # <class 'pandas.core.series.Series'>

Notación con punto, más corta, pero solo funciona cuando el nombre de la columna no tiene espacios ni caracteres especiales:

print(df.Age.head())   # first 5 ages

Ambas devuelven una Series (unidimensional). El nombre de la columna se convierte en el nombre de la Series y se conserva el índice del DataFrame.

Seleccionando varias columnas

Pasa una lista de nombres de columnas dentro de los corchetes. Esto devuelve un DataFrame, no una Series:

subset = df[["Name", "Age", "Fare"]]
print(type(subset))   # <class 'pandas.core.frame.DataFrame'>
print(subset.head())

Salida:

                                                Name   Age     Fare
0                            Braund, Mr. Owen Harris  22.0   7.2500
1  Cumings, Mrs. John Bradley (Florence Briggs Th...  38.0  71.2833
2                             Heikkinen, Miss. Laina  26.0   7.9250
3       Futrelle, Mrs. Jacques Heath (Lily May Peel)  35.0  53.1000
0                           Allen, Mr. William Henry  35.0   8.0500

El orden de las columnas en la lista determina el orden en la salida.

Usando loc para la selección de columnas

loc selecciona por etiqueta y puede manejar tanto filas como columnas:

# select all rows, specific columns
subset = df.loc[:, ["Name", "Survived"]]

El : significa “todas las filas”. La lista de nombres de columnas selecciona columnas específicas. Esto es equivalente a df[["Name", "Survived"]] pero se vuelve esencial cuando se combina la selección de filas y columnas en un solo paso.

Patrones prácticos

Renombrar después de seleccionar, conserva solo lo que necesitas con nombres más claros:

demographics = df[["Name", "Age", "Sex"]].copy()
demographics.columns = ["passenger", "age", "gender"]

Seleccionar columnas por tipo de datos, útil cuando tienes muchas columnas:

numeric_cols = df.select_dtypes(include=["number"])
print(numeric_cols.columns.tolist())
# ['PassengerId', 'Survived', 'Pclass', 'Age', 'SibSp', 'Parch', 'Fare']

categorical_cols = df.select_dtypes(include=["object"])
print(categorical_cols.columns.tolist())
# ['Name', 'Ticket', 'Cabin', 'Embarked']

Seleccionar columnas que contienen una subcadena:

# useful for wide datasets with naming conventions
age_cols = [col for col in df.columns if "age" in col.lower()]

Cuándo usar qué

Inténtalo

Del conjunto de datos del Titanic, selecciona solo las columnas Name, Pclass y Fare. Imprime las primeras 5 filas. Luego selecciona solo las columnas numéricas e imprime sus nombres.

import pandas as pd

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

subset = df[["Name", "Pclass", "Fare"]]
print(subset.head())

numeric = df.select_dtypes(include=["number"])
print(numeric.columns.tolist())

Conclusiones clave

• La notación de corchetes df["col"] es la forma estándar de seleccionar una sola columna
• df[["col1", "col2"]] devuelve un DataFrame con varias columnas
• loc se vuelve esencial al combinar la selección de filas y columnas
• select_dtypes() es potente para seleccionar columnas por tipo de datos

Desafío de práctica

Del conjunto de datos del Titanic, crea un nuevo DataFrame llamado passenger_info que contenga solo Name, Age, Sex y Survived. ¿Cuántas filas tienen valores de Age faltantes en este subconjunto? (Pista: usa .isna().sum())