Pandas I¶

"Pandas es a los datos tabulares lo que NumPy es a los arreglos numéricos: la herramienta que hace que todo lo demás tenga sentido."

Introducción¶

Pandas es la biblioteca de referencia para manipulación de datos tabulares en Python. Su objeto central — el DataFrame — es esencialmente una tabla con etiquetas en filas y columnas, lo que lo hace mucho más expresivo que un array NumPy para datos del mundo real.

En este módulo aprenderás a:

• Crear y cargar DataFrames desde distintas fuentes
• Explorar, filtrar y transformar datos
• Manejar valores nulos, duplicados y fechas

Series y DataFrame¶

Pandas tiene dos objetos fundamentales:

• Series — array 1D con etiquetas (como un diccionario ordenado)
• DataFrame — tabla 2D con etiquetas en filas y columnas (como una hoja de cálculo)

In [43]:

import pandas as pd
import numpy as np

# Series
s = pd.Series([10, 20, 30], index=["a", "b", "c"])
print(s)

import pandas as pd import numpy as np # Series s = pd.Series([10, 20, 30], index=["a", "b", "c"]) print(s)

a    10
b    20
c    30
dtype: int64

In [44]:

# DataFrame desde diccionario
df = pd.DataFrame({
    "nombre":   ["Ana", "Luis", "María"],
    "edad":     [28, 34, 22],
    "ciudad":   ["Santiago", "Valparaíso", "Concepción"]
})
df

# DataFrame desde diccionario df = pd.DataFrame({ "nombre": ["Ana", "Luis", "María"], "edad": [28, 34, 22], "ciudad": ["Santiago", "Valparaíso", "Concepción"] }) df

Out[44]:

	nombre	edad	ciudad
0	Ana	28	Santiago
1	Luis	34	Valparaíso
2	María	22	Concepción

Atributo	Descripción
.values	Datos como array NumPy
.index	Etiquetas de filas
.columns	Etiquetas de columnas
.dtypes	Tipos de datos por columna
.shape	Dimensiones (filas, columnas)

Carga de datos¶

En la práctica los datos vienen de archivos externos. Pandas soporta múltiples formatos:

# CSV (el más común)
df = pd.read_csv("datos.csv")

# CSV desde URL
url = "https://raw.githubusercontent.com/fralfaro/MAT281/main/docs/lectures/data_manipulation/data/player_info.csv"
df = pd.read_csv(url, sep=",")

# Excel
df = pd.read_excel("datos.xlsx", sheet_name="Hoja1")

# JSON
df = pd.read_json("datos.json")

Dataset: NBA Players¶

In [45]:

path = "https://raw.githubusercontent.com/fralfaro/MAT281/main/docs/lectures/data_manipulation/data/player_info.csv"
df = pd.read_csv(path)
df.head()

path = "https://raw.githubusercontent.com/fralfaro/MAT281/main/docs/lectures/data_manipulation/data/player_info.csv" df = pd.read_csv(path) df.head()

Out[45]:

	name	year_start	year_end	position	height	weight	birth_date	college
0	Alaa Abdelnaby	1991	1995	F-C	6-10	NaN	June 24, 1968	NaN
1	Alaa Abdelnaby	1991	1995	F-C	6-10	NaN	June 24, 1968	NaN
2	Zaid Abdul-Aziz	1969	1978	C-F	6-9	235.0	April 7, 1946	Iowa State University
3	Kareem Abdul-Jabbar	1970	1989	C	7-2	225.0	April 16, 1947	University of California, Los Angeles
4	Mahmoud Abdul-Rauf	1991	2001	G	6-1	162.0	March 9, 1969	Louisiana State University

Columna	Descripción
name	Nombre completo del jugador
year_start	Año de inicio de carrera en la NBA
year_end	Año de fin de carrera en la NBA
position	Posición en cancha (G, F, C, etc.)
height	Altura en pulgadas
weight	Peso en libras
birth_date	Fecha de nacimiento
college	Universidad de origen

Exploración básica¶

Lo primero siempre es entender la estructura del dataset:

In [46]:

import pandas as pd
import numpy as np
from IPython.display import display

import pandas as pd import numpy as np from IPython.display import display

Vista general¶

.head() y .tail() muestran los extremos del dataset. .shape, .dtypes e .info() dan el esqueleto.

head — primeras 5 filas

In [47]:

display(df.head())

display(df.head())

	name	year_start	year_end	position	height	weight	birth_date	college
0	Alaa Abdelnaby	1991	1995	F-C	6-10	NaN	June 24, 1968	NaN
1	Alaa Abdelnaby	1991	1995	F-C	6-10	NaN	June 24, 1968	NaN
2	Zaid Abdul-Aziz	1969	1978	C-F	6-9	235.0	April 7, 1946	Iowa State University
3	Kareem Abdul-Jabbar	1970	1989	C	7-2	225.0	April 16, 1947	University of California, Los Angeles
4	Mahmoud Abdul-Rauf	1991	2001	G	6-1	162.0	March 9, 1969	Louisiana State University

tail — últimas 5 filas

In [48]:

display(df.tail())

display(df.tail())

	name	year_start	year_end	position	height	weight	birth_date	college
4546	Ante Zizic	2018	2018	F-C	6-11	250.0	January 4, 1997	NaN
4547	Jim Zoet	1983	1983	C	7-1	240.0	December 20, 1953	Kent State University
4548	Bill Zopf	1971	1971	G	6-1	170.0	June 7, 1948	Duquesne University
4549	Ivica Zubac	2017	2018	C	7-1	265.0	March 18, 1997	NaN
4550	Matt Zunic	1949	1949	G-F	6-3	195.0	December 19, 1919	George Washington University

shape — dimensiones (filas × columnas)

In [49]:

display(df.shape)

display(df.shape)

(4551, 8)

dtypes — tipo de dato por columna

In [50]:

display(df.dtypes.to_frame("dtype"))

display(df.dtypes.to_frame("dtype"))

	dtype
name	object
year_start	int64
year_end	int64
position	object
height	object
weight	float64
birth_date	object
college	object

describe — estadísticas descriptivas

In [51]:

display(df.describe())

display(df.describe())

	year_start	year_end	weight
count	4551.000000	4551.000000	4543.000000
mean	1985.077565	1989.273786	208.901167
std	20.972067	21.872522	26.267502
min	1947.000000	1947.000000	114.000000
25%	1969.000000	1973.000000	190.000000
50%	1986.000000	1992.000000	210.000000
75%	2003.000000	2009.000000	225.000000
max	2018.000000	2018.000000	360.000000

Exploración por columna¶

value_counts() es ideal para categóricas. unique() y nunique() revelan la variedad de valores.

position — frecuencia por valor

In [52]:

display(df["position"].value_counts().to_frame())

display(df["position"].value_counts().to_frame())

	count
position
G	1574
F	1290
C	502
F-C	389
G-F	360
C-F	219
F-G	216

sort_values — ordenado por year_start (asc)

In [53]:

display(df.sort_values("year_start", ascending=True).head())

display(df.sort_values("year_start", ascending=True).head())

	name	year_start	year_end	position	height	weight	birth_date	college
3120	George Pastushok	1947	1947	G	6-1	195.0	July 13, 1922	St. John's University
4536	Harry Zeller	1947	1947	C-F	6-4	210.0	July 10, 1919	Washington & Jefferson College
9	John Abramovic	1947	1948	F	6-3	195.0	February 9, 1919	Salem International University
3119	Marty Passaglia	1947	1949	G	6-1	170.0	April 22, 1919	Santa Clara University
4531	Max Zaslofsky	1947	1956	G-F	6-2	170.0	December 7, 1925	St. John's University

sort_values — ordenado por weight (desc)

In [54]:

display(df.sort_values("weight", ascending=False).head())

display(df.sort_values("weight", ascending=False).head())

	name	year_start	year_end	position	height	weight	birth_date	college
310	Sim Bhullar	2015	2015	C	7-5	360.0	December 2, 1992	New Mexico State University
1602	Thomas Hamilton	1996	2000	C	7-2	330.0	April 3, 1975	University of Pittsburgh
3015	Shaquille O'Neal	1993	2011	C	7-1	325.0	March 6, 1972	Louisiana State University
2334	Priest Lauderdale	1997	1998	C	7-4	325.0	August 31, 1973	Central State University
2126	Garth Joseph	2001	2001	C	7-2	315.0	August 8, 1973	College of Saint Rose

Transformación de columnas¶

Crear columnas derivadas es una de las operaciones más frecuentes: permite construir features para análisis o modelos.

Crear y eliminar columnas¶

Se pueden crear columnas constantes, derivadas de otras, o calculadas con apply().

liga — columna constante

In [55]:

df["liga"] = "NBA"
display(df["liga"].to_frame().head())

df["liga"] = "NBA" display(df["liga"].to_frame().head())

	liga
0	NBA
1	NBA
2	NBA
3	NBA
4	NBA

duration — años en la liga

In [56]:

df["duration"] = df["year_end"] - df["year_start"]
display(df[["name", "year_start", "year_end", "duration"]].head())

df["duration"] = df["year_end"] - df["year_start"] display(df[["name", "year_start", "year_end", "duration"]].head())

	name	year_start	year_end	duration
0	Alaa Abdelnaby	1991	1995	4
1	Alaa Abdelnaby	1991	1995	4
2	Zaid Abdul-Aziz	1969	1978	9
3	Kareem Abdul-Jabbar	1970	1989	19
4	Mahmoud Abdul-Rauf	1991	2001	10

drop — columnas actuales tras eliminar 'liga'

In [57]:

df = df.drop("liga", axis=1)
display(pd.DataFrame(df.columns, columns=["columna"]))

df = df.drop("liga", axis=1) display(pd.DataFrame(df.columns, columns=["columna"]))

	columna
0	name
1	year_start
2	year_end
3	position
4	height
5	weight
6	birth_date
7	college
8	duration

Transformar con apply¶

apply() ejecuta una función fila a fila. Útil para clasificaciones o transformaciones condicionales.

carrera_larga — clasificación (> 10 años = 1)

In [58]:

df["carrera_larga"] = df["duration"].apply(lambda x: 1 if x > 10 else 0)
display(df["carrera_larga"].value_counts().to_frame())

df["carrera_larga"] = df["duration"].apply(lambda x: 1 if x > 10 else 0) display(df["carrera_larga"].value_counts().to_frame())

	count
carrera_larga
0	3999
1	552

Funciones de series¶

shift, cumsum, pct_change y rank asumen que el orden de las filas tiene sentido. Ordenar antes si es necesario.

In [59]:

df["duration_shift"]  = df["duration"].shift()
df["duration_cumsum"] = df["duration"].cumsum()
df["duration_pct"]    = df["duration"].pct_change()
df["duration_rank"]   = df["duration"].rank()

display(df[["name", "duration", "duration_shift",
            "duration_cumsum", "duration_pct", "duration_rank"]].head())

df["duration_shift"] = df["duration"].shift() df["duration_cumsum"] = df["duration"].cumsum() df["duration_pct"] = df["duration"].pct_change() df["duration_rank"] = df["duration"].rank() display(df[["name", "duration", "duration_shift", "duration_cumsum", "duration_pct", "duration_rank"]].head())

	name	duration	duration_shift	duration_cumsum	duration_pct	duration_rank
0	Alaa Abdelnaby	4	NaN	4	NaN	2714.5
1	Alaa Abdelnaby	4	4.0	8	0.000000	2714.5
2	Zaid Abdul-Aziz	9	4.0	17	1.250000	3720.0
3	Kareem Abdul-Jabbar	19	9.0	36	1.111111	4545.0
4	Mahmoud Abdul-Rauf	10	19.0	46	-0.473684	3912.5

Filtrar datos¶

Pandas filtra con condiciones booleanas sobre columnas. .loc[] es la forma correcta; .iloc[] solo para posiciones.

Filtros numéricos¶

Operadores >=, ==, between() para columnas numéricas.

year_start >= 2000

In [60]:

display(df.loc[df["year_start"] >= 2000].head())

display(df.loc[df["year_start"] >= 2000].head())

	name	year_start	year_end	position	height	weight	birth_date	college	duration	carrera_larga	duration_shift	duration_cumsum	duration_pct	duration_rank
10	Alex Abrines	2017	2018	G-F	6-6	190.0	August 1, 1993	NaN	1	0	1.0	68	0.0	1600.5
11	Alex Acker	2006	2009	G	6-5	185.0	January 21, 1983	Pepperdine University	3	0	1.0	71	2.0	2434.5
15	Quincy Acy	2013	2018	F	6-7	240.0	October 6, 1990	Baylor University	5	0	0.0	81	inf	2946.0
19	Hassan Adams	2007	2009	G	6-4	220.0	June 20, 1984	University of Arizona	2	0	2.0	103	0.0	2080.5
20	Jordan Adams	2015	2016	G	6-5	209.0	July 8, 1994	University of California, Los Angeles	1	0	2.0	104	-0.5	1600.5

year_start entre 2005 y 2015

In [61]:

display(df.loc[df["year_start"].between(2005, 2015)].head())

display(df.loc[df["year_start"].between(2005, 2015)].head())

	name	year_start	year_end	position	height	weight	birth_date	college	duration	carrera_larga	duration_shift	duration_cumsum	duration_pct	duration_rank
11	Alex Acker	2006	2009	G	6-5	185.0	January 21, 1983	Pepperdine University	3	0	1.0	71	2.0	2434.5
15	Quincy Acy	2013	2018	F	6-7	240.0	October 6, 1990	Baylor University	5	0	0.0	81	inf	2946.0
19	Hassan Adams	2007	2009	G	6-4	220.0	June 20, 1984	University of Arizona	2	0	2.0	103	0.0	2080.5
20	Jordan Adams	2015	2016	G	6-5	209.0	July 8, 1994	University of California, Los Angeles	1	0	2.0	104	-0.5	1600.5
22	Steven Adams	2014	2018	C	7-0	255.0	July 20, 1993	University of Pittsburgh	4	0	10.0	118	-0.6	2714.5

Filtros combinados¶

& es AND, | es OR. Cada condición debe ir entre paréntesis.

year_start == 2000 AND duration > 5

In [62]:

display(df.loc[(df["year_start"] == 2000) & (df["duration"] > 5)].head())

display(df.loc[(df["year_start"] == 2000) & (df["duration"] > 5)].head())

	name	year_start	year_end	position	height	weight	birth_date	college	duration	carrera_larga	duration_shift	duration_cumsum	duration_pct	duration_rank
67	Rafer Alston	2000	2010	G	6-2	171.0	July 24, 1976	California State University, Fresno	10	0	2.0	311	4.000000	3912.5
143	Chucky Atkins	2000	2010	G	5-11	160.0	August 14, 1974	University of South Florida	10	0	2.0	665	4.000000	3912.5
286	Jonathan Bender	2000	2010	F	6-11	202.0	January 30, 1981	NaN	10	0	1.0	1334	9.000000	3912.5
386	Calvin Booth	2000	2009	C	6-11	230.0	May 7, 1976	Pennsylvania State University	9	0	12.0	1733	-0.250000	3720.0
403	Ryan Bowen	2000	2010	F	6-7	215.0	November 20, 1975	University of Iowa	10	0	12.0	1811	-0.166667	3912.5

year_start < 1970 OR duration > 15

In [63]:

display(df.loc[(df["year_start"] < 1970) | (df["duration"] > 15)].head())

display(df.loc[(df["year_start"] < 1970) | (df["duration"] > 15)].head())

	name	year_start	year_end	position	height	weight	birth_date	college	duration	carrera_larga	duration_shift	duration_cumsum	duration_pct	duration_rank
2	Zaid Abdul-Aziz	1969	1978	C-F	6-9	235.0	April 7, 1946	Iowa State University	9	0	4.0	17	1.250000	3720.0
3	Kareem Abdul-Jabbar	1970	1989	C	7-2	225.0	April 16, 1947	University of California, Los Angeles	19	1	9.0	36	1.111111	4545.0
8	Forest Able	1957	1957	G	6-3	180.0	July 27, 1932	Western Kentucky University	0	0	4.0	66	-1.000000	659.0
9	John Abramovic	1947	1948	F	6-3	195.0	February 9, 1919	Salem International University	1	0	0.0	67	inf	1600.5
12	Don Ackerman	1954	1954	G	6-0	183.0	September 4, 1930	Long Island University	0	0	3.0	71	-1.000000	659.0

Filtros de texto¶

str.contains() busca subcadenas; útil para nombres o categorías.

nombres que contienen 'Michael'

In [64]:

display(df.loc[df["name"].str.contains("Michael", na=False)].head())

display(df.loc[df["name"].str.contains("Michael", na=False)].head())

	name	year_start	year_end	position	height	weight	birth_date	college	duration	carrera_larga	duration_shift	duration_cumsum	duration_pct	duration_rank
21	Michael Adams	1986	1996	G	5-10	162.0	January 19, 1963	Boston College	10	0	1.0	114	9.0	3912.5
93	Michael Anderson	1989	1989	G	5-11	184.0	March 23, 1966	Drexel University	0	0	3.0	416	-1.0	659.0
104	Michael Ansley	1990	1992	F	6-7	225.0	February 8, 1967	University of Alabama	2	0	0.0	472	inf	2080.5
261	Michael Beasley	2009	2018	F	6-9	235.0	January 9, 1989	Kansas State University	9	0	1.0	1216	8.0	3720.0
430	Michael Bradley	2002	2006	F-C	6-10	245.0	April 18, 1979	Villanova University	4	0	0.0	1905	inf	2714.5

posición que empieza con 'G' (Guards)

In [65]:

display(df.loc[df["position"].str.startswith("G", na=False)].head())

display(df.loc[df["position"].str.startswith("G", na=False)].head())

	name	year_start	year_end	position	height	weight	birth_date	college	duration	carrera_larga	duration_shift	duration_cumsum	duration_pct	duration_rank
4	Mahmoud Abdul-Rauf	1991	2001	G	6-1	162.0	March 9, 1969	Louisiana State University	10	0	19.0	46	-0.473684	3912.5
8	Forest Able	1957	1957	G	6-3	180.0	July 27, 1932	Western Kentucky University	0	0	4.0	66	-1.000000	659.0
10	Alex Abrines	2017	2018	G-F	6-6	190.0	August 1, 1993	NaN	1	0	1.0	68	0.000000	1600.5
11	Alex Acker	2006	2009	G	6-5	185.0	January 21, 1983	Pepperdine University	3	0	1.0	71	2.000000	2434.5
12	Don Ackerman	1954	1954	G	6-0	183.0	September 4, 1930	Long Island University	0	0	3.0	71	-1.000000	659.0

Valores nulos y duplicados¶

Los nulos mal manejados distorsionan cualquier análisis. Siempre evalúa cuántos hay y en qué columnas antes de actuar.

Detectar y tratar nulos¶

isnull().sum() cuenta los nulos. dropna() elimina filas; fillna() los reemplaza con un valor.

nulos por columna

In [66]:

display(df.isnull().sum().to_frame("nulos"))

display(df.isnull().sum().to_frame("nulos"))

	nulos
name	0
year_start	0
year_end	0
position	1
height	1
weight	8
birth_date	31
college	304
duration	0
carrera_larga	0
duration_shift	1
duration_cumsum	0
duration_pct	384
duration_rank	0

dropna(subset=['weight']) — eliminar filas con nulos en weight

In [67]:

df_clean = df.dropna(subset=["weight"])
display(df_clean.head())

df_clean = df.dropna(subset=["weight"]) display(df_clean.head())

	name	year_start	year_end	position	height	weight	birth_date	college	duration	carrera_larga	duration_shift	duration_cumsum	duration_pct	duration_rank
2	Zaid Abdul-Aziz	1969	1978	C-F	6-9	235.0	April 7, 1946	Iowa State University	9	0	4.0	17	1.250000	3720.0
3	Kareem Abdul-Jabbar	1970	1989	C	7-2	225.0	April 16, 1947	University of California, Los Angeles	19	1	9.0	36	1.111111	4545.0
4	Mahmoud Abdul-Rauf	1991	2001	G	6-1	162.0	March 9, 1969	Louisiana State University	10	0	19.0	46	-0.473684	3912.5
5	Tariq Abdul-Wahad	1998	2003	F	6-6	223.0	November 3, 1974	San Jose State University	5	0	10.0	51	-0.500000	2946.0
6	Shareef Abdur-Rahim	1997	2008	F	6-9	225.0	December 11, 1976	University of California	11	1	5.0	62	1.200000	4070.5

fillna — nulos restantes en weight y college

In [68]:

df_filled = df.fillna({"weight": df["weight"].mean(), "college": "Desconocido"})
display(df_filled[["weight", "college"]].isnull().sum().to_frame("nulos"))

df_filled = df.fillna({"weight": df["weight"].mean(), "college": "Desconocido"}) display(df_filled[["weight", "college"]].isnull().sum().to_frame("nulos"))

	nulos
weight	0
college	0

Duplicados¶

drop_duplicates() elimina filas idénticas. Se puede restringir a columnas específicas con subset=[...].

In [69]:

display(df.duplicated().sum())

df_unique = df.drop_duplicates()
display(df_unique.duplicated().sum())

display(df.duplicated().sum()) df_unique = df.drop_duplicates() display(df_unique.duplicated().sum())

np.int64(0)

np.int64(0)

Manipulación de fechas¶

pd.to_datetime() convierte texto a datetime64. El accesorio .dt permite extraer componentes y calcular diferencias.

Parsear y extraer componentes¶

Extraer año, mes y día permite agrupar o filtrar por fecha fácilmente.

In [70]:

df["birth_date_parsed"] = pd.to_datetime(df["birth_date"], errors="coerce")
df["birth_year"]  = df["birth_date_parsed"].dt.year
df["birth_month"] = df["birth_date_parsed"].dt.month
df["birth_day"]   = df["birth_date_parsed"].dt.day

display(df[["name", "birth_date_parsed", "birth_year", "birth_month", "birth_day"]].head())

df["birth_date_parsed"] = pd.to_datetime(df["birth_date"], errors="coerce") df["birth_year"] = df["birth_date_parsed"].dt.year df["birth_month"] = df["birth_date_parsed"].dt.month df["birth_day"] = df["birth_date_parsed"].dt.day display(df[["name", "birth_date_parsed", "birth_year", "birth_month", "birth_day"]].head())

	name	birth_date_parsed	birth_year	birth_month	birth_day
0	Alaa Abdelnaby	1968-06-24	1968.0	6.0	24.0
1	Alaa Abdelnaby	1968-06-24	1968.0	6.0	24.0
2	Zaid Abdul-Aziz	1946-04-07	1946.0	4.0	7.0
3	Kareem Abdul-Jabbar	1947-04-16	1947.0	4.0	16.0
4	Mahmoud Abdul-Rauf	1969-03-09	1969.0	3.0	9.0

Calcular edad aproximada¶

La diferencia entre dos Timestamp retorna un timedelta. Dividiendo los días por 365 se obtiene la edad aproximada.

In [71]:

hoy = pd.Timestamp("2025-01-01")
df["edad_aprox"] = (hoy - df["birth_date_parsed"]).dt.days // 365

display(df[["name", "birth_date_parsed", "birth_year", "edad_aprox"]].head())

hoy = pd.Timestamp("2025-01-01") df["edad_aprox"] = (hoy - df["birth_date_parsed"]).dt.days // 365 display(df[["name", "birth_date_parsed", "birth_year", "edad_aprox"]].head())

	name	birth_date_parsed	birth_year	edad_aprox
0	Alaa Abdelnaby	1968-06-24	1968.0	56.0
1	Alaa Abdelnaby	1968-06-24	1968.0	56.0
2	Zaid Abdul-Aziz	1946-04-07	1946.0	78.0
3	Kareem Abdul-Jabbar	1947-04-16	1947.0	77.0
4	Mahmoud Abdul-Rauf	1969-03-09	1969.0	55.0

Visualización con Seaborn¶

Seaborn está construido sobre pandas DataFrames: sus funciones reciben directamente el DataFrame y el nombre de las columnas, eliminando la necesidad de extraer arrays manualmente.

In [72]:

import seaborn as sns
import matplotlib.pyplot as plt

sns.set_theme(style="whitegrid", palette="husl", font_scale=1.1)

import seaborn as sns import matplotlib.pyplot as plt sns.set_theme(style="whitegrid", palette="husl", font_scale=1.1)

Gráfico de barras¶

• Cuándo: comparar magnitudes entre categorías discretas sin orden intrínseco.
• Ideal cuando el eje x representa grupos o etiquetas (posición, país, producto) y lo que importa es la altura relativa de cada barra, no la tendencia entre ellas.

In [73]:

# Filtrar posiciones principales para mayor claridad
posiciones_main = ["G", "F", "C"]
df_main = df[df["position"].isin(posiciones_main)]

fig, ax = plt.subplots(figsize=(7, 4))
sns.barplot(data=df_main, x="position", y="weight", ax=ax)
ax.set_title("peso promedio por posición")
ax.set_xlabel("posición")
ax.set_ylabel("peso (lbs)")
plt.tight_layout()
plt.show()

# Filtrar posiciones principales para mayor claridad posiciones_main = ["G", "F", "C"] df_main = df[df["position"].isin(posiciones_main)] fig, ax = plt.subplots(figsize=(7, 4)) sns.barplot(data=df_main, x="position", y="weight", ax=ax) ax.set_title("peso promedio por posición") ax.set_xlabel("posición") ax.set_ylabel("peso (lbs)") plt.tight_layout() plt.show()

Gráfico de línea¶

• Cuándo: evolución de una variable numérica a lo largo de un eje ordenado, típicamente el tiempo.
• Ideal cuando el eje x tiene un orden continuo y significativo — no categorías sueltas, sino valores donde la tendencia entre puntos importa.

In [74]:

# Contar jugadores por año de inicio
jugadores_por_año = df.groupby("year_start").size().reset_index(name="cantidad")

fig, ax = plt.subplots(figsize=(12, 4))
sns.lineplot(data=jugadores_por_año, x="year_start", y="cantidad", ax=ax)
ax.set_title("cantidad de jugadores por año de inicio")
ax.set_xlabel("año de inicio")
ax.set_ylabel("cantidad de jugadores")
plt.tight_layout()
plt.show()

# Contar jugadores por año de inicio jugadores_por_año = df.groupby("year_start").size().reset_index(name="cantidad") fig, ax = plt.subplots(figsize=(12, 4)) sns.lineplot(data=jugadores_por_año, x="year_start", y="cantidad", ax=ax) ax.set_title("cantidad de jugadores por año de inicio") ax.set_xlabel("año de inicio") ax.set_ylabel("cantidad de jugadores") plt.tight_layout() plt.show()

Gráfico de dispersión¶

• Cuándo: relación entre dos variables numéricas, opcionalmente coloreada por categoría.
• Útil para detectar correlación, outliers o agrupaciones por grupo.

In [75]:

fig, ax = plt.subplots(figsize=(7, 5))
sns.scatterplot(
    data=df_main,
    x="year_start", y="weight",
    hue="position", alpha=0.5, ax=ax
)
ax.set_title("peso vs. año de inicio por posición")
ax.set_xlabel("año de inicio")
ax.set_ylabel("peso (lbs)")
plt.tight_layout()
plt.show()

fig, ax = plt.subplots(figsize=(7, 5)) sns.scatterplot( data=df_main, x="year_start", y="weight", hue="position", alpha=0.5, ax=ax ) ax.set_title("peso vs. año de inicio por posición") ax.set_xlabel("año de inicio") ax.set_ylabel("peso (lbs)") plt.tight_layout() plt.show()

Histograma¶

• Cuándo: distribución de una variable numérica, por grupo o en total.
• kde=True agrega la curva de densidad estimada.

In [76]:

fig, ax = plt.subplots(figsize=(7, 4))
sns.histplot(
    data=df_main, x="weight",
    hue="position", bins=30,
    kde=True, alpha=0.5, ax=ax
)
ax.set_title("distribución de peso por posición")
ax.set_xlabel("peso (lbs)")
ax.set_ylabel("frecuencia")
plt.tight_layout()
plt.show()

fig, ax = plt.subplots(figsize=(7, 4)) sns.histplot( data=df_main, x="weight", hue="position", bins=30, kde=True, alpha=0.5, ax=ax ) ax.set_title("distribución de peso por posición") ax.set_xlabel("peso (lbs)") ax.set_ylabel("frecuencia") plt.tight_layout() plt.show()

Boxplot¶

• Cuándo: comparar distribución y detectar outliers entre grupos.
• Muestra mediana, cuartiles y extremos de forma compacta.

In [77]:

fig, ax = plt.subplots(figsize=(7, 4))
sns.boxplot(data=df_main, x="position", y="weight", ax=ax)
ax.set_title("boxplot de peso por posición")
ax.set_xlabel("posición")
ax.set_ylabel("peso (lbs)")
plt.tight_layout()
plt.show()

fig, ax = plt.subplots(figsize=(7, 4)) sns.boxplot(data=df_main, x="position", y="weight", ax=ax) ax.set_title("boxplot de peso por posición") ax.set_xlabel("posición") ax.set_ylabel("peso (lbs)") plt.tight_layout() plt.show()

Heatmap¶

• Cuándo: visualizar la correlación entre múltiples variables numéricas a la vez.
• Ideal como paso inicial de exploración en datasets con varias columnas numéricas.

In [78]:

df_num = df[["year_start", "year_end", "weight"]].copy()
df_num["career_length"] = df_num["year_end"] - df_num["year_start"]

fig, ax = plt.subplots(figsize=(6, 5))
sns.heatmap(df_num.corr(), annot=True, fmt=".2f",
            cmap="coolwarm", center=0, ax=ax)
ax.set_title("matriz de correlación")
plt.tight_layout()
plt.show()

df_num = df[["year_start", "year_end", "weight"]].copy() df_num["career_length"] = df_num["year_end"] - df_num["year_start"] fig, ax = plt.subplots(figsize=(6, 5)) sns.heatmap(df_num.corr(), annot=True, fmt=".2f", cmap="coolwarm", center=0, ax=ax) ax.set_title("matriz de correlación") plt.tight_layout() plt.show()

Pairplot¶

• Cuándo: exploración rápida de todas las relaciones entre variables numéricas.
• Una sola línea produce una grilla completa de scatterplots e histogramas.

In [79]:

df_pair = df_num.join(df["position"]).dropna()
df_pair = df_pair[df_pair["position"].isin(posiciones_main)]

sns.pairplot(df_pair, hue="position", diag_kind="kde",
             plot_kws={"alpha": 0.4})
plt.suptitle("pairplot: exploración multivariable", y=1.02)
plt.show()

df_pair = df_num.join(df["position"]).dropna() df_pair = df_pair[df_pair["position"].isin(posiciones_main)] sns.pairplot(df_pair, hue="position", diag_kind="kde", plot_kws={"alpha": 0.4}) plt.suptitle("pairplot: exploración multivariable", y=1.02) plt.show()

Referencias¶

1. Quickstart tutorial-pandas
2. Quickstart tutorial-seaborn