Lectura de datos tabulares en DataFrames
Última actualización: 2025-03-01 | Mejora esta página
Tiempo estimado: 20 minutos
Hoja de ruta
Preguntas
- ¿Cómo puedo leer datos tabulares?
Objetivos
- Importa la biblioteca Pandas.
- Utiliza Pandas para cargar un simple conjunto de datos CSV.
- Obtiene información básica sobre un Pandas DataFrame.
Utiliza la librería Pandas para realizar estadísticas sobre datos tabulares.
- Pandas es una biblioteca de Python ampliamente utilizada para estadísticas, en particular sobre datos tabulares.
- Toma prestadas muchas características de los marcos de datos de R.
- Una tabla bidimensional cuyas columnas tienen nombres y potencialmente tienen diferentes tipos de datos.
- Cargar Pandas con
import pandas as pd. El aliaspdse utiliza comúnmente para referirse a la biblioteca Pandas en código. - Leer un fichero de datos de valores separados por comas (CSV) con
pd.read_csv.- Argumento es el nombre del fichero a leer.
- Devuelve un marco de datos que se puede asignar a una variable
PYTHON
import pandas as pd
data_oceania = pd.read_csv('data/gapminder_gdp_oceania.csv')
print(data_oceania)SALIDA
country gdpPercap_1952 gdpPercap_1957 gdpPercap_1962 \
0 Australia 10039.59564 10949.64959 12217.22686
1 New Zealand 10556.57566 12247.39532 13175.67800
gdpPercap_1967 gdpPercap_1972 gdpPercap_1977 gdpPercap_1982 \
0 14526.12465 16788.62948 18334.19751 19477.00928
1 14463.91893 16046.03728 16233.71770 17632.41040
gdpPercap_1987 gdpPercap_1992 gdpPercap_1997 gdpPercap_2002 \
0 21888.88903 23424.76683 26997.93657 30687.75473
1 19007.19129 18363.32494 21050.41377 23189.80135
gdpPercap_2007
0 34435.36744
1 25185.00911- Las columnas de un marco de datos son las variables observadas y las filas son las observaciones.
- Pandas utiliza la barra invertida
\para mostrar las líneas envueltas cuando la salida es demasiado ancha para caber en la pantalla. - El uso de nombres descriptivos para los marcos de datos nos ayuda a distinguir entre varios marcos de datos para que no sobrescribamos accidentalmente un marco de datos o leamos de uno equivocado.
Archivo no encontrado
Nuestras lecciones almacenan sus ficheros de datos en un
subdirectorio data, por lo que la ruta al fichero es
data/gapminder_gdp_oceania.csv. Si olvida incluir
data/, o si lo incluye pero su copia del fichero está en
otro lugar, obtendrá un error de
ejecución que termina con una línea como esta:
ERROR
FileNotFoundError: [Errno 2] No such file or directory: 'data/gapminder_gdp_oceania.csv'Utilice index_col para especificar que los valores de
una columna deben utilizarse como encabezamientos de fila.
- Los títulos de las filas son números (0 y 1 en este caso).
- Realmente quiero indexar por país.
- Para ello, pase el nombre de la columna a
read_csvcomo parámetroindex_col. - Al nombrar el marco de datos
data_oceania_countrynos indica qué región incluyen los datos (oceania) y cómo están indexados (country).
PYTHON
data_oceania_country = pd.read_csv('data/gapminder_gdp_oceania.csv', index_col='country')
print(data_oceania_country)SALIDA
gdpPercap_1952 gdpPercap_1957 gdpPercap_1962 gdpPercap_1967 \
country
Australia 10039.59564 10949.64959 12217.22686 14526.12465
New Zealand 10556.57566 12247.39532 13175.67800 14463.91893
gdpPercap_1972 gdpPercap_1977 gdpPercap_1982 gdpPercap_1987 \
country
Australia 16788.62948 18334.19751 19477.00928 21888.88903
New Zealand 16046.03728 16233.71770 17632.41040 19007.19129
gdpPercap_1992 gdpPercap_1997 gdpPercap_2002 gdpPercap_2007
country
Australia 23424.76683 26997.93657 30687.75473 34435.36744
New Zealand 18363.32494 21050.41377 23189.80135 25185.00911Utilice el método DataFrame.info() para obtener más
información sobre un marco de datos.
SALIDA
<class 'pandas.core.frame.DataFrame'>
Index: 2 entries, Australia to New Zealand
Data columns (total 12 columns):
gdpPercap_1952 2 non-null float64
gdpPercap_1957 2 non-null float64
gdpPercap_1962 2 non-null float64
gdpPercap_1967 2 non-null float64
gdpPercap_1972 2 non-null float64
gdpPercap_1977 2 non-null float64
gdpPercap_1982 2 non-null float64
gdpPercap_1987 2 non-null float64
gdpPercap_1992 2 non-null float64
gdpPercap_1997 2 non-null float64
gdpPercap_2002 2 non-null float64
gdpPercap_2007 2 non-null float64
dtypes: float64(12)
memory usage: 208.0+ bytes- Se trata de un
DataFrame - Dos filas llamadas
'Australia'y'New Zealand' - Doce columnas, cada una de las cuales tiene dos valores reales en
coma flotante de 64 bits.
- Más adelante hablaremos de los valores nulos, que se utilizan para representar las observaciones que faltan.
- Utiliza 208 bytes de memoria.
La variable DataFrame.columns almacena información
sobre las columnas del marco de datos.
- Nótese que se trata de datos, no de un método. (No tiene
paréntesis)
- Como
math.pi. - Así que no use
()para intentar llamarlo.
- Como
- Llamada variable miembro, o simplemente miembro.
SALIDA
Index(['gdpPercap_1952', 'gdpPercap_1957', 'gdpPercap_1962', 'gdpPercap_1967',
'gdpPercap_1972', 'gdpPercap_1977', 'gdpPercap_1982', 'gdpPercap_1987',
'gdpPercap_1992', 'gdpPercap_1997', 'gdpPercap_2002', 'gdpPercap_2007'],
dtype='object')Utilice DataFrame.T para transponer un marco de
datos.
- A veces se desea tratar las columnas como filas y viceversa.
- Transponer (escrito
.T) no copia los datos, sólo cambia la visión que el programa tiene de ellos. - Al igual que
columns, es una variable miembro.
SALIDA
country Australia New Zealand
gdpPercap_1952 10039.59564 10556.57566
gdpPercap_1957 10949.64959 12247.39532
gdpPercap_1962 12217.22686 13175.67800
gdpPercap_1967 14526.12465 14463.91893
gdpPercap_1972 16788.62948 16046.03728
gdpPercap_1977 18334.19751 16233.71770
gdpPercap_1982 19477.00928 17632.41040
gdpPercap_1987 21888.88903 19007.19129
gdpPercap_1992 23424.76683 18363.32494
gdpPercap_1997 26997.93657 21050.41377
gdpPercap_2002 30687.75473 23189.80135
gdpPercap_2007 34435.36744 25185.00911Utilice DataFrame.describe() para obtener estadísticas
resumidas sobre los datos.
DataFrame.describe() obtiene las estadísticas de resumen
sólo de las columnas que tienen datos numéricos. Todas las demás
columnas se ignoran, a menos que se utilice el argumento
include='all'.
SALIDA
gdpPercap_1952 gdpPercap_1957 gdpPercap_1962 gdpPercap_1967 \
count 2.000000 2.000000 2.000000 2.000000
mean 10298.085650 11598.522455 12696.452430 14495.021790
std 365.560078 917.644806 677.727301 43.986086
min 10039.595640 10949.649590 12217.226860 14463.918930
25% 10168.840645 11274.086022 12456.839645 14479.470360
50% 10298.085650 11598.522455 12696.452430 14495.021790
75% 10427.330655 11922.958888 12936.065215 14510.573220
max 10556.575660 12247.395320 13175.678000 14526.124650
gdpPercap_1972 gdpPercap_1977 gdpPercap_1982 gdpPercap_1987 \
count 2.00000 2.000000 2.000000 2.000000
mean 16417.33338 17283.957605 18554.709840 20448.040160
std 525.09198 1485.263517 1304.328377 2037.668013
min 16046.03728 16233.717700 17632.410400 19007.191290
25% 16231.68533 16758.837652 18093.560120 19727.615725
50% 16417.33338 17283.957605 18554.709840 20448.040160
75% 16602.98143 17809.077557 19015.859560 21168.464595
max 16788.62948 18334.197510 19477.009280 21888.889030
gdpPercap_1992 gdpPercap_1997 gdpPercap_2002 gdpPercap_2007
count 2.000000 2.000000 2.000000 2.000000
mean 20894.045885 24024.175170 26938.778040 29810.188275
std 3578.979883 4205.533703 5301.853680 6540.991104
min 18363.324940 21050.413770 23189.801350 25185.009110
25% 19628.685413 22537.294470 25064.289695 27497.598692
50% 20894.045885 24024.175170 26938.778040 29810.188275
75% 22159.406358 25511.055870 28813.266385 32122.777857
max 23424.766830 26997.936570 30687.754730 34435.367440- No es especialmente útil con sólo dos registros, pero sí cuando hay miles.
Lectura de otros datos
Leer los datos de gapminder_gdp_americas.csv (que deben
estar en el mismo directorio que gapminder_gdp_oceania.csv)
en una variable llamada data_americas y mostrar sus
estadísticas de resumen.
Para leer un CSV, utilizamos pd.read_csv y le pasamos el
nombre de fichero 'data/gapminder_gdp_americas.csv'.
También volvemos a pasar el nombre de columna 'country' al
parámetro index_col para indexar por países. Las
estadísticas resumidas pueden visualizarse con el método
DataFrame.describe().
Inspección de datos
Después de leer los datos de América, utiliza
help(data_americas.head) y
help(data_americas.tail) para averiguar qué hacen
DataFrame.head y DataFrame.tail.
- ¿Qué llamada al método mostrará las tres primeras filas de estos datos?
- ¿Qué método mostrará las tres últimas columnas de estos datos? (Sugerencia: es posible que tengas que cambiar la vista de los datos)
- Podemos ver las cinco primeras filas de
data_americasejecutandodata_americas.head()que nos permite ver el principio del DataFrame. Podemos especificar el número de filas que deseamos ver especificando el parámetronen nuestra llamada adata_americas.head(). Para ver las tres primeras filas, ejecute:
SALIDA
continent gdpPercap_1952 gdpPercap_1957 gdpPercap_1962 \
country
Argentina Americas 5911.315053 6856.856212 7133.166023
Bolivia Americas 2677.326347 2127.686326 2180.972546
Brazil Americas 2108.944355 2487.365989 3336.585802
gdpPercap_1967 gdpPercap_1972 gdpPercap_1977 gdpPercap_1982 \
country
Argentina 8052.953021 9443.038526 10079.026740 8997.897412
Bolivia 2586.886053 2980.331339 3548.097832 3156.510452
Brazil 3429.864357 4985.711467 6660.118654 7030.835878
gdpPercap_1987 gdpPercap_1992 gdpPercap_1997 gdpPercap_2002 \
country
Argentina 9139.671389 9308.418710 10967.281950 8797.640716
Bolivia 2753.691490 2961.699694 3326.143191 3413.262690
Brazil 7807.095818 6950.283021 7957.980824 8131.212843
gdpPercap_2007
country
Argentina 12779.379640
Bolivia 3822.137084
Brazil 9065.800825- Para consultar las tres últimas filas de
data_americas, utilizaríamos el comando,americas.tail(n=3), análogo ahead()utilizado anteriormente. Sin embargo, aquí queremos ver las tres últimas columnas, así que tenemos que cambiar la vista y utilizartail(). Para ello, creamos un nuevo DataFrame en el que se intercambian filas y columnas:
Podemos ver las tres últimas columnas de americas viendo
las tres últimas filas de americas_flipped:
SALIDA
country Argentina Bolivia Brazil Canada Chile Colombia \
gdpPercap_1997 10967.3 3326.14 7957.98 28954.9 10118.1 6117.36
gdpPercap_2002 8797.64 3413.26 8131.21 33329 10778.8 5755.26
gdpPercap_2007 12779.4 3822.14 9065.8 36319.2 13171.6 7006.58
country Costa Rica Cuba Dominican Republic Ecuador ... \
gdpPercap_1997 6677.05 5431.99 3614.1 7429.46 ...
gdpPercap_2002 7723.45 6340.65 4563.81 5773.04 ...
gdpPercap_2007 9645.06 8948.1 6025.37 6873.26 ...
country Mexico Nicaragua Panama Paraguay Peru Puerto Rico \
gdpPercap_1997 9767.3 2253.02 7113.69 4247.4 5838.35 16999.4
gdpPercap_2002 10742.4 2474.55 7356.03 3783.67 5909.02 18855.6
gdpPercap_2007 11977.6 2749.32 9809.19 4172.84 7408.91 19328.7
country Trinidad and Tobago United States Uruguay Venezuela
gdpPercap_1997 8792.57 35767.4 9230.24 10165.5
gdpPercap_2002 11460.6 39097.1 7727 8605.05
gdpPercap_2007 18008.5 42951.7 10611.5 11415.8Muestra los datos que deseamos, pero es posible que prefiramos mostrar tres columnas en lugar de tres filas, por lo que podemos darle la vuelta:
Nota: podríamos haber hecho lo anterior en una sola línea de código “encadenando” los comandos:
Lectura de ficheros en otros directorios
Los datos de su proyecto actual están almacenados en un archivo
llamado microbes.csv, que se encuentra en una carpeta
llamada field_data. Usted está haciendo el análisis en un
cuaderno llamado analysis.ipynb en una carpeta hermana
llamada thesis:
SALIDA
your_home_directory
+-- field_data/
| +-- microbes.csv
+-- thesis/
+-- analysis.ipynb¿Qué valor(es) debe pasar a read_csv para leer
microbes.csv en analysis.ipynb?
Necesitamos especificar la ruta al fichero de interés en la llamada a
pd.read_csv. Primero tenemos que “saltar” fuera de la
carpeta thesis utilizando ‘../’ y luego a la carpeta
field_data utilizando data_campo/. A
continuación, podemos especificar el nombre de archivo
microbes.csv. El resultado es el siguiente:
Datos de escritura
Además de la función read_csv para leer datos de un
fichero, Pandas proporciona una función to_csv para
escribir dataframes en ficheros. Aplicando lo que has aprendido sobre la
lectura de archivos, escribe uno de tus dataframes en un archivo llamado
processed.csv. Puedes utilizar help para
obtener información sobre cómo utilizar to_csv.
Para escribir el DataFrame data_americas en un fichero
llamado processed.csv, ejecute el siguiente comando:
Para obtener ayuda sobre read_csv o to_csv,
puede ejecutar, por ejemplo:
Observe que help(to_csv) o help(pd.to_csv)
dan error Esto se debe a que to_csv no es una función
global de Pandas, sino una función miembro de DataFrames. Esto significa
que sólo se puede llamar en una instancia de un DataFrame, por ejemplo,
data_americas.to_csv o data_oceania.to_csv
Puntos Clave
- Utiliza la librería Pandas para obtener estadísticas básicas a partir de datos tabulares.
- Utilice
index_colpara especificar que los valores de una columna deben utilizarse como encabezamientos de fila. - Utilice
DataFrame.infopara obtener más información sobre un marco de datos. - La variable
DataFrame.columnsalmacena información sobre las columnas del marco de datos. - Utilice
DataFrame.Tpara transponer un marco de datos. - Utilice
DataFrame.describepara obtener estadísticas resumidas sobre los datos.