In [1]:
import pandas as pd
import sys
import datetime as dt
import numpy as np
import matplotlib.pyplot as plt
import matplotlib
%matplotlib inline
print("Versión de Python: ", sys.version)
print("Versión de Pandas: ", pd.version.short_version)
print("Versión de Numpy: ", np.version.short_version)
print("Versión de Matplotlib: ", matplotlib.__version__)
Pandas es una librería que proporciona estructuras de datos flexibles y permite trabajar con la información de forma eficiente (gran parte de Pandas está implementado usando C/Cython para obtener un buen rendimiento).
Funciona muy bien cuando nos toca trabajar con:
In [2]:
from IPython.core.display import HTML
HTML("<iframe src=http://pandas.pydata.org width=800 height=350></iframe>")
Out[2]:
Pandas ofrece varias estructuras de datos que nos resultarán de mucha utilidad y que vamos a ir viendo poco a poco. Todas las posibles estructuras de datos que ofrece a día de hoy son:
Series (y TimeSeries)
DataFrame
Panel
Panel4D
PanelND
En una instancia de la clase Series podremos almacenar arrays o vectores con índice o etiqueta. Si no usamos índice o etiqueta nos lo numerará con un índice de forma interna. La forma básica de crear una Series sería:
>>> s = Series(data, index=index)
donde data es el vector de datos e index (opcional) es el vector de índices que usará la serie. Si los índices son datos de fechas directamente se creará una instancia de una TimeSeries en lugar de una instacia de Series.
Veamos un ejemplo de como crear este tipo de contenedor de datos. Primero vamos a crear una serie y pandas nos creará índices automáticamente, segundo vamos a crear una serie donde nosotros le vamos a decir los índices que queremos usar y, tercero, vamos a crear una serie temporal usando índices que son fechas.
In [3]:
# serie con índices automáticos
serie = pd.Series(np.random.randn(10))
print(u'Serie con índices automáticos \n{} \n'.format(serie))
print(type(serie))
In [4]:
# serie con índices definidos por mi
serie = pd.Series(np.random.randn(4), index = ['itzi','kikolas','dieguete','nicolasete'])
print(u'Serie con índices definidos \n{} \n'.format(serie))
print(type(serie))
In [5]:
# serie(serie temporal) con índices que son fechas
serie = pd.Series(np.random.randn(31), index = pd.date_range('2013/01/01', periods = 31))
print(u'Serie temporal con índices de fechas \n{} \n'.format(serie))
print(type(serie))
En los ejemplos anteriores hemos creado las series a partir de un numpy array pero las podemos crear a partir de muchas otras cosas: listas, diccionarios, numpy arrays,... Veamos ejemplos:
In [6]:
serie_lista = pd.Series([i*i for i in range(10)])
print('Serie a partir de una lista \n{} \n'.format(serie_lista))
dicc = {'cuadrado de {}'.format(i) : i*i for i in range(10)}
serie_dicc = pd.Series(dicc)
print('Serie a partir de un diccionario \n{} \n'.format(serie_dicc))
serie_serie = pd.Series(serie_dicc.values)
print('Serie a partir de los valores de otra (pandas)serie \n{} \n'.format(serie_serie))
serie_cte = pd.Series(-999, index = np.arange(10))
print('Serie a partir de un valor constante \n{} \n'.format(serie_cte))
#...
Una serie (Series o TimeSeries) se puede manejar igual que si tuviéramos un numpy array de una dimensión o igual que si tuviéramos un diccionario. Vemos ejemplos de esto:
In [7]:
serie = pd.Series(np.random.randn(10), index = ['a','b','c','d','e','f','g','h','i','j'])
print('Serie que vamos a usar en este ejemplo: \n{}\n\n'.format(serie))
# Ejemplos de comportamiento como numpy array
print('Se comporta como un numpy array:')
print('================================')
print('>>> serie.max()\n{}'.format(serie.max()))
print('>>> serie.sum()\n{}'.format(serie.sum()))
print('>>> serie.abs()\n{}'.format(serie.abs()))
print('>>> serie[serie > 0]\n{}'.format(serie[serie > 0]))
#...
print('\n')
# Ejemplos de comportamiento como diccionario
print("Se comporta como un diccionario:")
print("================================")
print(">>> serie['a']\n{}".format(serie['a']))
print(">>> 'a' in serie\n{}".format('a' in serie))
print(">>> 'z' in serie\n{}".format('z' in serie))
Las operaciones están 'vectorizadas' y se hacen elemento a elemento con los elementos alineados en función del índice. Si se hace, por ejemplo, una suma de dos series, si en una de las dos series no existe un elemento, i.e. el índice no existe en la serie, el resultado para ese índice será nan. En resumen, estamos haciendo una unión de los índices y funciona diferente a los numpy arrays. Se puede ver el esquema en el siguiente ejemplo:
In [8]:
s1 = serie[1:]
s2 = serie[:-1]
suma = s1 + s2
print(' s1 s2 s1 + s2')
print('------------------ ------------------ ------------------')
for clave in sorted(set(list(s1.keys()) + list(s2.keys()))):
print('{0:1} {1:20} + {0:1} {2:20} = {0:1} {3:20}'.format(clave,
s1.get(clave),
s2.get(clave),
suma.get(clave)))
# En la anterior línea de código uso el método get para no obtener un KeyError
# como sí obtendría si uso, p.e., s1['a']
Un DataFrame se puede ver como si fuera una tabla con índices para las filas y las columnas. Es algo similar a lo que tenemos en una hoja de cálculo, una tabla de una BBDD SQL o un diccionario de series Pandas. Esta será la estructura de datos más habitual a usar. El DataFrame se puede crear a partir de muchas otras estructuras de datos:
numpy arrays de 1D, diccionarios de listas, diccionarios de diccionarios o diccionarios de Series.numpy array de 2Dnumpy array estructurado (structured ndarray o record ndarray)Series de PandasDataFramede PandasAdemás de los datos, podemos definir los índices (las etiquetas para las filas) o las columnas (etiquetas para las mismas). Si no se define nada al crear el DataFrame se usarán normas del sentido común para nombrar los índices de filas y columnas.
Veamos un poco de código para ver esto:
In [9]:
df_lista = pd.DataFrame({'a': [11,12,13], 'b': [21,22,23]})
print('DataFrame a partir de un diccionario de listas \n{} \n'.format(df_lista))
df_np1D = pd.DataFrame({'a': np.arange(3)**2, 'b': np.random.randn(3)})
print('DataFrame a partir de un diccionario de 1D ndarrays \n{} \n'.format(df_np1D))
df_np2D = pd.DataFrame(np.empty((5,3)),
index = ['primero','segundo','tercero','cuarto','quinto'],
columns = ['velocidad', 'temperatura','presion'])
print('DataFrame a partir de un 2D ndarray \n{} \n'.format(df_np2D))
df_df = pd.DataFrame(df_np2D, index = ['primero','segundo','tercero'])
df_df.index = ['first','second','third']
print('DataFrame a partir de los valores de otro (pandas)DataFrame \n{} \n'.format(df_df))
#...
Podemos construir un DataFrame a partir de constructores alternativos como pd.DataFrame.from_dict, pd.DataFrame.from_records o pd.DataFrame.from_items.
En general, los paneles son para tipos de datos de más de dos dimensiones. No los vamos a cubrir ya que se consideran un pelín más complejos, de uso menos habitual y/o se encuentran en estado experimental con lo que pueden cambiar bastante en el corto/medio plazo. Se puede consultar la documentación oficial pulsando sobre:
Una de las cosas que más me gusta de Pandas es la potencia que aporta a lo hora de leer y/o escribir ficheros de datos. Pandas es capaz de leer datos de ficheros csv, excel, HDF5, sql, json, html,...
Si trabajáis con datos de terceros, que pueden provenir de muy diversas fuentes, una de las partes más tediosas del trabajo será tener los datos listos para empezar a trabajar. Limpiar huecos, poner fechas en formato usable, saltarse cabeceros,...
Sin duda, una de las funciones que usaréis más será read_csv() que permite una gran flexibilidad a la hora de leer un fichero de texto plano.
Veamos la documentación:
Docstring:
Read CSV (comma-separated) file into DataFrame
Also supports optionally iterating or breaking of the file
into chunks.
Parameters
----------
filepath_or_buffer : string or file handle / StringIO. The string could be
a URL. Valid URL schemes include http, ftp, s3, and file. For file URLs, a
host is expected. For instance, a local file could be
file ://localhost/path/to/table.csv
sep : string, default ','
Delimiter to use. If sep is None, will try to automatically determine
this. Regular expressions are accepted.
lineterminator : string (length 1), default None
Character to break file into lines. Only valid with C parser
quotechar : string (length 1)
The character used to denote the start and end of a quoted item. Quoted
items can include the delimiter and it will be ignored.
quoting : int or csv.QUOTE_* instance, default None
Control field quoting behavior per ``csv.QUOTE_*`` constants. Use one of
QUOTE_MINIMAL (0), QUOTE_ALL (1), QUOTE_NONNUMERIC (2) or QUOTE_NONE (3).
Default (None) results in QUOTE_MINIMAL behavior.
skipinitialspace : boolean, default False
Skip spaces after delimiter
escapechar : string
dtype : Type name or dict of column -> type
Data type for data or columns. E.g. {'a': np.float64, 'b': np.int32}
compression : {'gzip', 'bz2', None}, default None
For on-the-fly decompression of on-disk data
dialect : string or csv.Dialect instance, default None
If None defaults to Excel dialect. Ignored if sep longer than 1 char
See csv.Dialect documentation for more details
header : int row number(s) to use as the column names, and the start of the
data. Defaults to 0 if no ``names`` passed, otherwise ``None``. Explicitly
pass ``header=0`` to be able to replace existing names. The header can be
a list of integers that specify row locations for a multi-index on the
columns E.g. [0,1,3]. Intervening rows that are not specified will be
skipped. (E.g. 2 in this example are skipped)
skiprows : list-like or integer
Row numbers to skip (0-indexed) or number of rows to skip (int)
at the start of the file
index_col : int or sequence or False, default None
Column to use as the row labels of the DataFrame. If a sequence is given, a
MultiIndex is used. If you have a malformed file with delimiters at the end
of each line, you might consider index_col=False to force pandas to _not_
use the first column as the index (row names)
names : array-like
List of column names to use. If file contains no header row, then you
should explicitly pass header=None
prefix : string or None (default)
Prefix to add to column numbers when no header, e.g 'X' for X0, X1, ...
na_values : list-like or dict, default None
Additional strings to recognize as NA/NaN. If dict passed, specific
per-column NA values
true_values : list
Values to consider as True
false_values : list
Values to consider as False
keep_default_na : bool, default True
If na_values are specified and keep_default_na is False the default NaN
values are overridden, otherwise they're appended to
parse_dates : boolean, list of ints or names, list of lists, or dict
If True -> try parsing the index.
If [1, 2, 3] -> try parsing columns 1, 2, 3 each as a separate date column.
If [[1, 3]] -> combine columns 1 and 3 and parse as a single date column.
{'foo' : [1, 3]} -> parse columns 1, 3 as date and call result 'foo'
A fast-path exists for iso8601-formatted dates.
keep_date_col : boolean, default False
If True and parse_dates specifies combining multiple columns then
keep the original columns.
date_parser : function
Function to use for converting a sequence of string columns to an
array of datetime instances. The default uses dateutil.parser.parser
to do the conversion.
dayfirst : boolean, default False
DD/MM format dates, international and European format
thousands : str, default None
Thousands separator
comment : str, default None
Indicates remainder of line should not be parsed
Does not support line commenting (will return empty line)
decimal : str, default '.'
Character to recognize as decimal point. E.g. use ',' for European data
nrows : int, default None
Number of rows of file to read. Useful for reading pieces of large files
iterator : boolean, default False
Return TextFileReader object
chunksize : int, default None
Return TextFileReader object for iteration
skipfooter : int, default 0
Number of line at bottom of file to skip
converters : dict. optional
Dict of functions for converting values in certain columns. Keys can either
be integers or column labels
verbose : boolean, default False
Indicate number of NA values placed in non-numeric columns
delimiter : string, default None
Alternative argument name for sep. Regular expressions are accepted.
encoding : string, default None
Encoding to use for UTF when reading/writing (ex. 'utf-8')
squeeze : boolean, default False
If the parsed data only contains one column then return a Series
na_filter: boolean, default True
Detect missing value markers (empty strings and the value of na_values). In
data without any NAs, passing na_filter=False can improve the performance
of reading a large file
usecols : array-like
Return a subset of the columns.
Results in much faster parsing time and lower memory usage.
mangle_dupe_cols: boolean, default True
Duplicate columns will be specified as 'X.0'...'X.N', rather than 'X'...'X'
tupleize_cols: boolean, default False
Leave a list of tuples on columns as is (default is to convert to
a Multi Index on the columns)
error_bad_lines: boolean, default True
Lines with too many fields (e.g. a csv line with too many commas) will by
default cause an exception to be raised, and no DataFrame will be returned.
If False, then these "bad lines" will dropped from the DataFrame that is
returned. (Only valid with C parser).
warn_bad_lines: boolean, default True
If error_bad_lines is False, and warn_bad_lines is True, a warning for each
"bad line" will be output. (Only valid with C parser).
infer_datetime_format : boolean, default False
If True and parse_dates is enabled for a column, attempt to infer
the datetime format to speed up the processing
Returns
-------
result : DataFrame or TextParserVamos a inventarnos un fichero de datos...
In [10]:
%%writefile dummy.data
cabecero estúpido
901001 0000 7.54 -11.67 1.07 4.27
901001 0600 19.61 -2.74 27.87 -8.96
901001 1200 -4.34 0.73 -6.58 0.17
901001 1800 -4.99 3.24 10.62 -6.13
901002 0000 -3.54 10.39 -12.05 -13.35
901002 0600 12.55 3.80 4.92 -8.18
901002 1200 1.06 23.75 -8.03 -8.67
901002 1800 -1.12 1.82 7.09 -6.06
901003 0600 -5.90 2.38 19.33 6.84
901003 1200 -9.51 -2.72 -7.13 -0.35
901003 1800 6.49 -12.01 -13.62 -0.93
In [11]:
data = pd.read_csv('dummy.data', sep = '\s*',
names = ['fecha', 'hora', 'rec1', 'rec2', 'rec3', 'rec4'],
skiprows = 1, parse_dates = [[0, 1]], index_col = 0)
In [12]:
print(data)
In [13]:
data.index
Out[13]:
In [14]:
data.columns
Out[14]:
[Inciso] Si no usamos print, el output del DataFrame se verá como una tabla HTML gracias a la magia de IPython notebook y de Pandas. En general, intentaremos usar print como en las anteriores piezas de código y de aquí en adelante para que se vea igual que si se usa algo distinto al notebook. En la pieza de código siguiente no uso print para qué se vea de lo que hablo ;-)
In [15]:
#data[data.index >= dt.datetime(1990, 10, 2)]
data[data.index >= "1990-10-02"]
Out[15]:
Escribir el resultado final en un fichero csv, por ejemplo, es algo tan sencillo como:
In [16]:
data.to_csv('dummy.csv')
In [ ]:
%load dummy.csv
In [ ]:
fecha_hora,rec1,rec2,rec3,rec4
1990-10-01 00:00:00,7.54,-11.67,1.07,4.27
1990-10-01 06:00:00,19.61,-2.74,27.87,-8.96
1990-10-01 12:00:00,-4.34,0.73,-6.58,0.17
1990-10-01 18:00:00,-4.99,3.24,10.62,-6.13
1990-10-02 00:00:00,-3.54,10.39,-12.05,-13.35
1990-10-02 06:00:00,12.55,3.8,4.92,-8.18
1990-10-02 12:00:00,1.06,23.75,-8.03,-8.67
1990-10-02 18:00:00,-1.12,1.82,7.09,-6.06
1990-10-03 06:00:00,-5.9,2.38,19.33,6.84
1990-10-03 12:00:00,-9.51,-2.72,-7.13,-0.35
1990-10-03 18:00:00,6.49,-12.01,-13.62,-0.93
Otra tarea que se realiza habitualmente sería la de trabajar con información de una base de datos SQL. No lo vamos a ver aquí pero podéis ver este notebook donde se explica como leer y/o escribir datos de una BBDD SQL (SQLite, PostgreSQL o MySQL). Una vez que se han leído, el tratamiento es el mismo que si los hubiésemos leído de otro origen.
¿Cómo podemos seleccionar, añadir, eliminar, mover,..., columnas, filas,...?
Para seleccionar una columna solo hemos de usar el nombre de la columna y pasarlo como si fuera un diccionario (o un atributo).
Para añadir una columna simplemente hemos de usar un nombre de columna no existente y pasarle los valores para esa columna.
Para eliminar una columna podemos usar del o el método pop.
Para mover una columna podemos usar una combinación de las metodologías anteriores.
Por ejemplo, vemos a seleccionar los valores de una columna:
In [17]:
df = pd.DataFrame(np.random.randn(5,3),
index = ['primero','segundo','tercero','cuarto','quinto'],
columns = ['velocidad', 'temperatura','presion'])
df['velocidad']
Out[17]:
In [18]:
# Forma alternativa
df.velocidad
Out[18]:
Vamos a añadir una columna nueva al DataFrame:
In [19]:
df['velocidad_maxima'] = np.random.randn(df.shape[0])
print(df)
Pero qué pasa si quiero añadir la columna en un lugar específico. Para ello podemos usar el método insert (y de paso vemos como podemos borrar una columna):
In [20]:
# forma 1 (borramos la columna 'velocidad_maxima' que está al final del df usando del)
# (Colocamos la columna eliminada en la posición que especifiquemos)
print(df)
columna = df['velocidad_maxima']
del df['velocidad_maxima']
print(df)
print(columna)
df.insert(1, 'velocidad_maxima', columna)
print(df)
In [21]:
# forma 2 (borramos usando el método pop y añadimos la columna borrada en la última posición de nuevo)
print(df)
columna = df.pop('velocidad_maxima')
print(df)
print(columna)
df.insert(3, 'velocidad_maxima', columna)
print(df)
Para seleccionar datos concretos de un DataFrame podemos usar el índice, una rebanada, valores booleanos, la columna,...
In [22]:
print('Seleccionamos la columna de velocidades')
print(df['velocidad'])
In [23]:
print(u'Seleccionamos todas las columnas cuyo índice es igual a tercero')
print(df.xs('tercero'))
In [24]:
print(u'Seleccionamos todas las columnas cuyo índice está entre tercero y quinto')
print(u'Daos cuenta que en este caso los índices son inclusivos')
print(df.ix['tercero':'quinto'])
In [25]:
print(u'Seleccionamos todos los valores de velocidad donde la temperatura > 0')
print(df[df['temperatura'] > 0]['velocidad'])
In [26]:
print('Seleccionamos todos los valores de una columna por índice usando una')
print('rebanada (slice) de enteros')
print('Daos cuenta que en este caso el límite superior de la rebanada no se')
print('incluye (Python tradicional)')
print(df.ix[1:3])
In [28]:
print(u'Seleccionamos filas y columnas')
print(df.ix[1:3, ['velocidad', 'presion']])
In [29]:
# Algunas de las cosas anteriores se pueden realizar sin usar los métodos .ix() o .xs()
print(df['velocidad'][1:3])
In [30]:
# Da igual si colocamos el slice primero y después las columnas:
df['velocidad'][1:3] == df[1:3]['velocidad']
Out[30]:
En lo anterior he estado usando los métodos .ix(), .xs() para obtener partes del DataFrame. Son herramientas muy flexibles que nos permiten acceder a los datos de forma muy personalizada. Otras opciones sería usar los métodos .loc(), .iloc(), .select().
Es importante tener en cuenta que las series devueltas cuando se indexa un DataFrame son solo vistas y no una copia de los propios datos. Por tanto, debes ser precavido cuando manipulas los datos (al igual que sucede con los numpy arrays y otros tipos de datos). Lo siguiente (hecho con numpy arrays) es equivalente para las estructuras de datos de Pandas.
In [31]:
# Vista, ¡Cuidado!
a = np.random.rand(5)
data = a[0:2]
data[:] = -999
print(a)
# Copias
a = np.random.rand(5)
data = a[0:2].copy()
data[:] = -999
print(a)
a = np.random.rand(5)
data = 1 * a[0:2]
data[:] = -999
print(a)
a = np.random.rand(5)
np.copyto(data, a[0:2]) # En este caso, data tiene que existir
data[:] = -999
print(a)
a = np.random.rand(5)
data = np.array(a[0:2])
data[:] = -999
print(a)
Para acceder a los valores de los índices podemos usar .index.
In [32]:
df.index
Out[32]:
Para acceder a los valores de las columnas podemos usar .columns.
In [33]:
df.columns
Out[33]:
Para concatenar ficheros se usa la función pd.concat (documentación oficial]. Un ejemplo rápido sería el siguiente:
In [34]:
datos1 = pd.DataFrame(np.random.randn(5,3))
datos2 = pd.DataFrame(np.random.randn(5,3))
piezas = [datos1, datos2]
datos_concatenados_a = pd.concat(piezas)
print('datos1\n {}'.format(datos1))
print('datos2\n {}'.format(datos2))
print('datos_concatenados\n {}'.format(datos_concatenados_a))
Interesante, rápido y limpio, como me gusta. Pero, si nos fijamos, tenemos un problema con los índices ya que algunos están repetidos. Si accedemos al índice 0, por ejemplo, obtendríamos dos filas de valores en lugar de una.
In [35]:
datos_concatenados_a.ix[0]
Out[35]:
Lo anterior podría llevar a equívocos. Esto lo podemos solventar de varias formas. Una sería reescribiendo la columna de índices para que no haya malentendidos al hacer cualquier operación. Por ejemplo:
In [36]:
datos_concatenados_aa = datos_concatenados_a
datos_concatenados_aa.index = range(datos_concatenados_aa.shape[0])
print('datos_concatenados\n {}'.format(datos_concatenados_aa))
O usando la palabra clave ignore_index pasándole el valor True al crear la concatenación. Por ejemplo:
In [37]:
datos_concatenados_aa = pd.concat(piezas, ignore_index = True)
print(datos_concatenados_aa)
Vale, hemos solventado el anterior problema pero que pasa si, por la razón que sea, nos interesase conservar los índices originales. Podríamos usar palabras clave para cada 'cosa' concatenada en el DataFrame final. Ejemplo:
In [38]:
#datos1 = pd.DataFrame(np.random.randn(5,3))
#datos2 = pd.DataFrame(np.random.randn(5,3))
#piezas = [datos1, datos2]
datos_concatenados_b = pd.concat(piezas, keys = ['datos1', 'datos2'])
print('datos1\n {}'.format(datos1))
print('datos2\n {}'.format(datos2))
print('datos_concatenados\n {}'.format(datos_concatenados_b))
Vemos que hay índices repetidos pero están en 'grupos' diferentes. De esta forma, si queremos acceder a la fila con índice 0 del primer grupo de datos concatenados (datos1) podemos hacer lo siguiente:
In [39]:
print(datos_concatenados_b.ix['datos1'].ix[0])
Estamos viendo filas, pero podemos hacer los mismo para las columnas, por supuesto, usando el nombre de la columna (en el ejemplo siguiente, la columna 0):
In [40]:
print(datos_concatenados_b.ix['datos1'][0])
Vemos qué tipo de índice es este índice 'compuesto' que hemos creado:
In [41]:
datos_concatenados_b.index
Out[41]:
Vemos que es un MultiIndex. No vamos a ver mucho más pero os lo dejo anotado para que sepáis que existen combinaciones de índices (o de columnas) y se manejan de forma un poco más compleja que un índice 'simple'. Se conoce como indexación jerárquica y permiten ser un poco más descriptivos (verbose) con nuestros DataFrames aunque conlleva un punto más de complejidad a la hora de trabajar con los datos.
¿Qué pasa cuando una de las columnas no es igual en los grupos de datos que queramos concatenar? El nuevo DataFrame tendrá en cuenta este aspecto rellenando con NaNs donde convenga. Veamos el siguiente código de ejemplo:
In [42]:
datos1 = pd.DataFrame(np.random.randn(5,3))
datos2 = pd.DataFrame(np.random.randn(5,4))
piezas = [datos1, datos2]
datos_concatenados_c = pd.concat(piezas, ignore_index = True)
print('datos1\n {}'.format(datos1))
print('datos2\n {}'.format(datos2))
print('datos_concatenados\n {}'.format(datos_concatenados_c))
Vemos que el primer grupo de datos, datos1, solo tiene tres columnas mientras que el segundo grupo, datos2, tiene 4 columnas. El resultado final tendrá en cuenta esto y rellenerá la columna 3 que pertenece a los datos del primer grupo de datos, datos1. Cool!
Lo visto hasta ahora para concatenar Series o DataFrames lo podemos hacer también usando el método append. Veamos un ejemplo similar a lo anterior:
In [43]:
datos1 = pd.DataFrame(np.random.randn(5,3))
datos2 = pd.DataFrame(np.random.randn(5,4))
datos_concatenados_d = datos1.append(datos2, ignore_index = True)
print('datos1\n {}'.format(datos1))
print('datos2\n {}'.format(datos2))
print('datos_concatenados\n {}'.format(datos_concatenados_d))
Pandas dispone de la función merge (documentación oficial) que permite 'unir' datos al estilo de como se hace con bases de datos relacionales (usando SQL). También se puede acceder al método merge disponible en las instancias a un Dataframe.
Por su parte, join es un método disponible en un DataFrame y sirve para hacer uniones de índices sobre índices o de índices sobre columnas. Las uniones que hace join las hace sobre los índices, en lugar de hacerlo sobre columnas comunes como se hace con merge. A ver si viendo los ejemplos queda un poco mejor este último párrafo y las diferencias entre join y merge.
Las uniones pueden ser uno-a-uno, muchos-a-uno o muchos-a-muchos.
Una unión uno-a-uno sería cuando unimos dos tablas (DataFrames) con índices únicos como hemos hecho en el apartado anterior con las concatenaciones.
In [44]:
datos1 = pd.DataFrame(np.random.randn(10), columns = ['columna1'])
datos2 = pd.DataFrame(np.random.randn(14), columns = ['columna2'], index = np.arange(1,15))
datos1j = datos1.join(datos2)
datos2j = datos2.join(datos1)
print('datos1j \n{}\n'.format(datos1j))
print('datos2j \n{}'.format(datos2j))
En los anteriores ejemplos, datos1j es el resultado de unir los datos datos2 a los datos datos1 en todos los índices comunes que tienen ambos teniendo solo en cuenta el rango de índices definido en datos1. Si algún dato en datos2 no tiene un índice presente en datos1 se rellenará con un NaN. Con datos2j sucede lo mismo que con datos1j lo que el índice que tiene relevancia ahora es el perteneciente a datos2j. No sé si habrá quedado más o menos claro.
Ahora vamos a unir pero usando la palabra clave how que nos permite decir como se van a tener en cuenta los índices. Normalmente le pasaremos el parámetro outer o inner. El primero, outer, indica que los índices de los DataFrames se unen como en una unión de conjuntos, el segundo, inner, une los índices como si hiciéramos una intersección de conjuntos. Veamos un par de ejemplos para que se vea de forma práctica, el primero usando outer y el segundo usando inner:
In [45]:
datos3j1 = datos1.join(datos2, how = 'outer')
datos3j2 = datos2.join(datos1, how = 'outer')
print('datos3j1 \n{}\n'.format(datos3j1))
print('datos3j2 recolocados\n{}\n'.format(datos3j2.ix[:, ['columna1','columna2']]))
print('datos3j2 \n{}'.format(datos3j2))
In [46]:
datos4j1 = datos1.join(datos2, how = 'inner')
datos4j2 = datos2.join(datos1, how = 'inner')
print('datos4j1 \n{}\n'.format(datos4j1))
print('datos4j2 recolocados\n{}\n'.format(datos4j2.ix[:, ['columna1','columna2']]))
print('datos4j2 \n{}'.format(datos4j2))
Todo lo anterior se puede hacer también usando la función o método merge pero encuentro que es una forma un poco más rebuscada por lo que no la vamos a mostrar aquí ya que añade complejidad. Veremos usos de merge más adelante.
Ahora vamos a mostrar una unión muchos-a-uno. Estas uniones se hacen sobre una o más columnas como referencia, no a partir de índices, por lo que los valores contenidos pueden no ser únicos. Como siempre, vamos a ver un poco de código para ver si clarifica un poco más la teoría:
In [47]:
datos1 = pd.DataFrame(np.random.randn(10), columns = ['columna1'])
datos1['otra_columna'] = ['hola', 'mundo'] * 5
datos2 = pd.DataFrame(np.random.randn(2,2), columns = ['col1', 'col2'], index = ['hola', 'mundo'])
print('datos1 \n {} \n'.format(datos1))
print('datos2 \n {} \n'.format(datos2))
print(u'Unión de datos \n {} \n'.format(datos1.join(datos2, on = 'otra_columna')))
Estamos uniendo sobre los valores de la columna del DataFrame datos1 que presenta valores presentes en los índices del DataFrame datos2. En el anterior ejemplo hemos unido teniendo en cuenta una única columna, si queremos unir teniendo en cuenta varias columnas, el DataFrame que se le pase deberá presentar un MultiÍndice con tantos índices como columnas usemos (ver documentación sobre MultiÍndices y sobre unión con ellos).
Para hacer uniones de muchos-a-muchos usaremos merge que ofrece mayor libertad para poder hacer uniones de cualquier tipo (también las que hemos visto hasta ahora de uno-a-uno y de muchos-a-uno).
En el siguiente ejemplo vamos a hacer una unión de dos DataFrames usando merge y luego iremos explicando lo que hemos estado haciendo poco a poco para ver si se entiende un poco mejor.
In [48]:
datos_dcha = pd.DataFrame({'clave': ['foo'] * 3, 'valor_dcha': np.arange(3)})
datos_izda = pd.DataFrame({'clave': ['foo'] * 3, 'valor_izda': np.arange(5, 8)})
datos_unidos = pd.merge(datos_izda, datos_dcha, on = 'clave')
print('datos_dcha \n {} \n'.format(datos_dcha))
print('datos_izda \n {} \n'.format(datos_izda))
print('datos_unidos \n {}'.format(datos_unidos))
Vemos que si hacemos una unión de la anterior forma, a cada valor de datos_dcha le 'asocia' cada uno de los valores de datos_izda que tengan la misma clave. En la siquiente celda de código vemos otro ejemplo de lo anterior un poco más completo teniendo en cuenta dos columnas de claves y usando el método outer de 'unión':
In [49]:
datos_dcha = pd.DataFrame({'clave1': ['foo', 'foo', 'bar', 'bar'],
'clave2': ['one', 'one', 'one', 'two'],
'val_dcha': [4, 5, 6, 7]})
datos_izda = pd.DataFrame({'clave1': ['foo', 'foo', 'bar'],
'clave2': ['one', 'two', 'one'],
'val_izda': [1, 2, 3]})
datos_unidos = pd.merge(datos_izda, datos_dcha, how='outer')
print('datos_dcha \n {} \n'.format(datos_dcha))
print('datos_izda \n {} \n'.format(datos_izda))
print('datos_unidos \n {}'.format(datos_unidos))
Esto solo ha sido un pequeño vistazo con cosas que considero importantes pero que no tienen que ser las más importantes. Podéis echarle un ojo a:
sort, max, min, head, tail, unique, groupby, apply, transform, stack, unstack, mean, std, isnull, value_counts, notnull, rank, dropna, fillna, describe, cov, corr, duplicated, drop, pivot, pivot_table, drop_duplicates, quantile,...para seguir viendo cosas útiles.
Además de permitirnos indexar, mover, eliminar,..., datos de formas muy diferentes también podemos usar Pandas para hacer análisis de datos. En este sentido es como un numpy supervitaminado y supermineralizado (si queréis hacer análisis estádistico más complejo le podéis echar un vistazo a statsmodels, scikit-learn,...
Vamos a usar unos datos que me he descargado de la página del INE. Los he dejado en formato excel para que veamos como también podemos leer datos excel.
In [51]:
nenas = pd.read_excel('nombres_recien_nacidos.xlsx', 'Niñas', header = 1, skiprows = 1)
nenes = pd.read_excel('nombres_recien_nacidos.xlsx', 'Niños', header = 1, skiprows = 1)
In [52]:
nenas.head(5)
Out[52]:
In [56]:
cols_1 = []
for i in range(2012,2001,-1):
cols_1.append((str(i),'nombre'))
cols_1.append((str(i), 'numero'))
cols = pd.MultiIndex.from_tuples(cols_1, names=['año','campo'])
In [57]:
nenes.columns = cols
nenas.columns = cols
nenes.index = range(1,101)
nenas.index = range(1,101)
In [58]:
nenes.tail(5)
Out[58]:
In [59]:
nenas.T.xs('nombre', level = 'campo')
Out[59]:
In [60]:
indices = nenas.T.xs('nombre', level = 'campo') == 'LUCIA'
In [61]:
plt.figure(figsize = (20,6))
nenas.T.xs('numero',level = 'campo')[indices].sum().plot(kind='bar')
print(nenas.T.xs('numero',level = 'campo')[indices].sum().sum())
In [62]:
plt.figure(figsize = (20,6))
indices = nenas.T.xs('nombre', level = 'campo') == 'LUCIA'
#nenas.T.xs('numero',level = 'campo')[indices].sum(axis = 1).plot(kind = 'bar', color = 'k')
nenas.T.xs('numero',level = 'campo')[indices].sum(axis = 1).plot(color = 'k')
print(nenas.T.xs('numero',level = 'campo')[indices].sum().sum())
indices = nenas.T.xs('nombre', level = 'campo') == 'MARIA'
#nenas.T.xs('numero',level = 'campo')[indices].sum(axis = 1).plot(kind = 'bar', color = 'y', alpha = 0.75)
nenas.T.xs('numero',level = 'campo')[indices].sum(axis = 1).plot(color = 'y')
print(nenas.T.xs('numero',level = 'campo')[indices].sum().sum())
indices = nenas.T.xs('nombre', level = 'campo') == 'PAULA'
#nenas.T.xs('numero',level = 'campo')[indices].sum(axis = 1).plot(kind = 'bar', color = 'y', alpha = 0.75)
nenas.T.xs('numero',level = 'campo')[indices].sum(axis = 1).plot(color = 'b')
print(nenas.T.xs('numero',level = 'campo')[indices].sum().sum())
In [63]:
nenes.T.xs('nombre', level = 'campo')
Out[63]:
In [64]:
plt.figure(figsize = (20,6))
indices = nenes.T.xs('nombre', level = 'campo') == 'DANIEL'
nenes.T.xs('numero',level = 'campo')[indices].sum(axis = 1).plot(color = 'k')
print(nenes.T.xs('numero',level = 'campo')[indices].sum().sum())
indices = nenes.T.xs('nombre', level = 'campo') == 'ALEJANDRO'
nenes.T.xs('numero',level = 'campo')[indices].sum(axis = 1).plot(color = 'y', alpha = 0.5)
print(nenes.T.xs('numero',level = 'campo')[indices].sum().sum())
indices = nenes.T.xs('nombre', level = 'campo') == 'PABLO'
nenes.T.xs('numero',level = 'campo')[indices].sum(axis = 1).plot(color = 'b', alpha = 0.5)
print(nenes.T.xs('numero',level = 'campo')[indices].sum().sum())
indices = nenes.T.xs('nombre', level = 'campo') == 'HUGO'
nenes.T.xs('numero',level = 'campo')[indices].sum(axis = 1).plot(color = 'g', alpha = 0.5)
print(nenes.T.xs('numero',level = 'campo')[indices].sum().sum())
In [ ]: