Manuales

Appearance

Seleccion, filtrado y transformacion ​

Una vez cargado el DataFrame, el trabajo diario es proyectar columnas, filtrar filas y crear campos derivados. Hazlo con operaciones vectorizadas: son mas claras y mucho mas rapidas que bucles.

Seleccion de columnas ​

python
import pandas as pd

orders = pd.DataFrame({
    "order_id": [101, 102, 103, 104, 105],
    "country": ["ES", "PT", "ES", "FR", "ES"],
    "channel": ["web", "app", "web", "store", "app"],
    "amount": [120.5, 80.0, 310.0, 45.0, 15.0],
    "status": ["paid", "paid", "refunded", "paid", "paid"],
})

# Una columna -> Series
amounts = orders["amount"]

# Varias columnas -> DataFrame
view = orders[["order_id", "amount", "status"]]

# Exclusion
meta = orders.drop(columns=["channel"])

loc e iloc ​

  • loc selecciona por etiqueta de indice y nombre de columna.
  • iloc selecciona por posicion entera.
python
orders_idx = orders.set_index("order_id")

orders_idx.loc[101]                         # una fila
orders_idx.loc[[101, 103], ["amount", "status"]]
orders_idx.loc[101:103]                     # rango de etiquetas (incluye ambos extremos)

orders.iloc[0]                              # primera fila
orders.iloc[0:3, 0:2]                        # filas 0..2, columnas 0..1

Para asignar, usa loc de forma explicita:

python
orders = orders.copy()
orders.loc[orders["amount"] < 20, "status"] = "review"

Evita el patron encadenado df[df.a > 0]["b"] = ... (SettingWithCopy).

Filtros booleanos ​

python
mask = (orders["status"] == "paid") & (orders["amount"] >= 50)
paid_big = orders.loc[mask]

# isin / between
iberia = orders[orders["country"].isin(["ES", "PT"])]
mid = orders[orders["amount"].between(50, 200)]

# Negacion
not_refund = orders[orders["status"] != "refunded"]
# o: orders[~orders["status"].eq("refunded")]

Operadores: usa &, |, ~ con parentesis. and / or de Python no funcionan sobre Series.

query (opcional) ​

python
orders.query("status == 'paid' and amount >= 50")
orders.query("country in ['ES', 'PT']")

Util en notebooks; en scripts largos muchos equipos prefieren mascaras explicitas.

Ordenar y rankear ​

python
orders.sort_values(["country", "amount"], ascending=[True, False])
orders.assign(rank_amount=orders["amount"].rank(ascending=False, method="dense"))

Transformaciones de columnas ​

Asignacion vectorizada ​

python
orders = orders.copy()
orders["amount_vat"] = orders["amount"] * 1.21
orders["is_es"] = orders["country"] == "ES"

assign (encadenable, no muta in-place) ​

python
clean = (
    orders
    .assign(
        amount_vat=lambda d: d["amount"] * 1.21,
        channel=lambda d: d["channel"].str.lower(),
    )
    .loc[lambda d: d["status"] == "paid"]
)

map, replace, where ​

python
region = {"ES": "south", "PT": "south", "FR": "central"}
orders["region"] = orders["country"].map(region)

orders["status_norm"] = orders["status"].replace({"refunded": "refund"})

# where: mantener valor si True, si no NaN u otro valor
orders["amount_paid"] = orders["amount"].where(orders["status"] == "paid", 0.0)

apply: usalo con criterio ​

apply es flexible y lento. Reservealo para logica que no cabe en vectorizacion:

python
# Preferible
orders["label"] = pd.cut(orders["amount"], bins=[0, 50, 150, 10_000], labels=["L", "M", "H"])

# Solo si hace falta
def tag(row):
    if row["status"] == "refunded":
        return "bad"
    if row["amount"] > 200:
        return "vip"
    return "ok"

orders["tag"] = orders.apply(tag, axis=1)  # mas lento

Strings ​

python
orders["channel"] = orders["channel"].astype("string").str.strip().str.lower()
orders["country"].str.len()
orders["channel"].str.contains("web", case=False, na=False)
orders["order_code"] = "ORD-" + orders["order_id"].astype("string")

Metodos .str requieren dtype string/object; valores nulos se propagan (controla con na=).

Renombrar y reordenar ​

python
orders = orders.rename(columns={"amount": "amount_eur"})
orders = orders[["order_id", "country", "amount_eur", "status", "channel"]]

Explode y columnas listas ​

python
baskets = pd.DataFrame({
    "order_id": [1, 2],
    "skus": [["A", "B"], ["A"]],
})
baskets.explode("skus", ignore_index=True)

Errores habituales ​

  • Mezclar and/or con Series en lugar de &/|.
  • Asignacion encadenada y SettingWithCopyWarning ignorado.
  • Usar apply(axis=1) para sumas, ratios o maps simples.
  • Filtrar y olvidar que el indice queda "agujereado" (usar reset_index(drop=True) si molesta).
  • Comparar floats con == exacto cuando hay redondeo; usa rangos o np.isclose si aplica.

Buenas practicas ​

  • Filtra con loc[mask, columns] cuando seleccionas y proyectas a la vez.
  • Encadena con .assign / .loc / .pipe para pipelines legibles.
  • Normaliza strings (strip, lower) antes de filtrar o agrupar.
  • Prefiere isin, between, str.contains a bucles.
  • Tras transformar, valida con value_counts, describe y conteo de filas.

Ejercicios ​

  1. Filtra pedidos paid de ES o PT con amount entre 50 y 300.
  2. Crea amount_vat y region con assign y un dict de mapeo.
  3. Sustituye status refunded por refund con replace.
  4. Ordena por amount descendente y anade un ranking denso.
  5. Reescribe un apply innecesario usando np.where o pd.cut.

Siguiente paso ​

Con columnas derivadas y filtros claros, el capitulo 5 se centra en nulos, duplicados, tipos sucios y validaciones.