Pandas¶

Pandas es un paquete de Python que proporciona estructuras de datos rápidas, flexibles y expresivas diseñadas para que trabajar con datos "relacionales" o "etiquetados" sea fácil e intuitivo.

Su objetivo es ser el bloque de construcción fundamental de alto nivel para hacer análisis de datos prácticos del mundo real en Python. Además, tiene el objetivo más amplio de convertirse en la herramienta de análisis/manipulación de datos de código abierto más potente y flexible disponible en cualquier idioma. Ya está en camino hacia este objetivo.

Series y DataFrames

• Las series son arreglos unidimensionales con etiquetas. Se puede pensar como una generalización de los diccionarios de Python.

• Los dataframe son arreglos bidimensionales y una extensión natural de las series. Se puede pensar como la generalización de un numpy.array.

Pandas Series¶

Trabajando con pandas.Series¶

In [1]:

import pandas as pd
import numpy as np

import pandas as pd import numpy as np

In [2]:

# Crear una serie con índices de letras
data = [10, 20, 30, 40, 50]
indices = ['A', 'B', 'C', 'D', 'E']
my_serie = pd.Series(data, index=indices)
print(my_serie)

# Crear una serie con índices de letras data = [10, 20, 30, 40, 50] indices = ['A', 'B', 'C', 'D', 'E'] my_serie = pd.Series(data, index=indices) print(my_serie)

A    10
B    20
C    30
D    40
E    50
dtype: int64

In [3]:

# tipo 
print("type:")
print( type(my_serie) )

# tipo print("type:") print( type(my_serie) )

type:
<class 'pandas.core.series.Series'>

In [4]:

# valores 
print("values:")
print(my_serie.values)

# valores print("values:") print(my_serie.values)

values:
[10 20 30 40 50]

In [5]:

# indice
print("index:")
print(my_serie.index)

# indice print("index:") print(my_serie.index)

index:
Index(['A', 'B', 'C', 'D', 'E'], dtype='object')

• El método loc se utiliza para acceder y seleccionar datos utilizando etiquetas de índice.
• El método iloc se utiliza para acceder y seleccionar datos utilizando índices enteros basados en la posición

In [6]:

# acceder al valor de la serie: directo
print("direct:")
print(my_serie['B'])

# acceder al valor de la serie: directo print("direct:") print(my_serie['B'])

direct:
20

In [7]:

# acceder al valor de la serie: loc
print("loc:")
print(my_serie.loc['B'])

# acceder al valor de la serie: loc print("loc:") print(my_serie.loc['B'])

loc:
20

In [8]:

# acceder al valor de la serie: iloc
print("iloc:")
print(my_serie.iloc[1])

# acceder al valor de la serie: iloc print("iloc:") print(my_serie.iloc[1])

iloc:
20

In [9]:

# editar valores
print("edit:")
print("\nold 'D':",my_serie.loc['D'] )

# editar valores print("edit:") print("\nold 'D':",my_serie.loc['D'] )

edit:

old 'D': 40

In [10]:

my_serie.loc['D'] = 1000
print("new 'D':",my_serie.loc['D'] )

my_serie.loc['D'] = 1000 print("new 'D':",my_serie.loc['D'] )

new 'D': 1000

In [11]:

# ordenar valores
print("order:")
my_serie.sort_values()

# ordenar valores print("order:") my_serie.sort_values()

order:

Out[11]:

A      10
B      20
C      30
E      50
D    1000
dtype: int64

In [12]:

# ordenar valores
print("order:")
my_serie.sort_values(ascending  = False)

# ordenar valores print("order:") my_serie.sort_values(ascending = False)

order:

Out[12]:

D    1000
E      50
C      30
B      20
A      10
dtype: int64

Operaciones matemáticas¶

Al igual que numpy, las series de pandas pueden realizar operaciones matemáticas similares (mientrás los arreglos a operar sean del tipo numérico). Por otro lado existen otras funciones de utilidad.

Básicas

In [13]:

s1 = pd.Series([1,2,3,4,5])
s2 = pd.Series([1,1,2,2,2])

s1 = pd.Series([1,2,3,4,5]) s2 = pd.Series([1,1,2,2,2])

In [14]:

# suma
print(f"suma: \n{s1+s2}\n")

# suma print(f"suma: \n{s1+s2}\n")

suma: 
0    2
1    3
2    5
3    6
4    7
dtype: int64

In [15]:

# multiplicacion
print(f"multiplicacion: \n{s1*s2}")

# multiplicacion print(f"multiplicacion: \n{s1*s2}")

multiplicacion: 
0     1
1     2
2     6
3     8
4    10
dtype: int64

Estadísticas

In [16]:

# crear serie
s1 = pd.Series([1,1,1,2,2,2,3,3,3,4,5,5,5,5])
print(f"max:    {s1.max()}") # maximo
print(f"min:    {s1.min()}") # minimo
print(f"mean:   {s1.mean()}") # promedio
print(f"median: {s1.median()}") # mediana

# crear serie s1 = pd.Series([1,1,1,2,2,2,3,3,3,4,5,5,5,5]) print(f"max: {s1.max()}") # maximo print(f"min: {s1.min()}") # minimo print(f"mean: {s1.mean()}") # promedio print(f"median: {s1.median()}") # mediana

max:    5
min:    1
mean:   3.0
median: 3.0

In [17]:

# funcion describe
s1.describe()

# funcion describe s1.describe()

Out[17]:

count    14.000000
mean      3.000000
std       1.568929
min       1.000000
25%       2.000000
50%       3.000000
75%       4.750000
max       5.000000
dtype: float64

Conteos

In [18]:

# funcion count_values
s2 = pd.Series(["a","a","b","c","c","c","c","d",])
print(f"Conteo:\n{s2.value_counts()}")

# funcion count_values s2 = pd.Series(["a","a","b","c","c","c","c","d",]) print(f"Conteo:\n{s2.value_counts()}")

Conteo:
c    4
a    2
b    1
d    1
dtype: int64

Filtro¶

En Pandas, puedes aplicar filtros o máscaras a un DataFrame utilizando operaciones lógicas y comparativas. Esto te permite seleccionar y filtrar las filas que cumplan con ciertas condiciones específicas.

In [19]:

# 1. definir valor maximo 
n_max = s1.max()

# 1. definir valor maximo n_max = s1.max()

In [20]:

# 2.- definir "mask" que busca el valor objetivo
mask = (s1 == n_max)

# 2.- definir "mask" que busca el valor objetivo mask = (s1 == n_max)

In [21]:

# 3.- aplicar mask sobre la serie
s1[mask]

# 3.- aplicar mask sobre la serie s1[mask]

Out[21]:

10    5
11    5
12    5
13    5
dtype: int64

Valores Nulos o datos perdidos¶

En algunas ocaciones, los arreglos no tienen información en una determinada posición, lo cual puede ser perjudicial si no se tiene control sobre estos valores.

Encontrar valores nulos

In [22]:

# crear serie
s_null = pd.Series([1,2,np.nan,4,5,6,7,np.nan,9])
s_null

# crear serie s_null = pd.Series([1,2,np.nan,4,5,6,7,np.nan,9]) s_null

Out[22]:

0    1.0
1    2.0
2    NaN
3    4.0
4    5.0
5    6.0
6    7.0
7    NaN
8    9.0
dtype: float64

In [23]:

# mask valores nulos
print("is null?:\n")
print(s_null.isnull() )

# mask valores nulos print("is null?:\n") print(s_null.isnull() )

is null?:

0    False
1    False
2     True
3    False
4    False
5    False
6    False
7     True
8    False
dtype: bool

In [24]:

# filtrar valores nulos
print("null serie: \n")
print(s_null[s_null.isnull()] )

# filtrar valores nulos print("null serie: \n") print(s_null[s_null.isnull()] )

null serie: 

2   NaN
7   NaN
dtype: float64

Encontrar valores no nulos

In [25]:

# imprimir serie
print("serie:")
print( s_null )

# imprimir serie print("serie:") print( s_null )

serie:
0    1.0
1    2.0
2    NaN
3    4.0
4    5.0
5    6.0
6    7.0
7    NaN
8    9.0
dtype: float64

In [26]:

# mask valores no nulos
print("\nis not null?:")
print(s_null.notnull() )

# mask valores no nulos print("\nis not null?:") print(s_null.notnull() )

is not null?:
0     True
1     True
2    False
3     True
4     True
5     True
6     True
7    False
8     True
dtype: bool

In [27]:

# filtrar valores no nulos
print("\nserie with not null values")
print(s_null[s_null.notnull()] )

# filtrar valores no nulos print("\nserie with not null values") print(s_null[s_null.notnull()] )

serie with not null values
0    1.0
1    2.0
3    4.0
4    5.0
5    6.0
6    7.0
8    9.0
dtype: float64

La pregunta que nos queda hacer es: ¿ Qué se debe hacer con los valores nulos ?, la respuesta es depende.

• Si tenemos muchos datos, lo más probable es que se puedan eliminar estos datos sin culpa.
• Si se tienen poco datos, lo más probable es que se necesite inputar un valor por defecto a los valores nulos (ejemplo: el promedio).

Manejo de Fechas¶

Pandas también trae módulos para trabajar el formato de fechas.

Crear Serie de fechas

In [28]:

# crear serie de fechas
date_rng = pd.date_range(start='1/1/2019', end='1/03/2019', freq='4H')

# crear serie de fechas date_rng = pd.date_range(start='1/1/2019', end='1/03/2019', freq='4H')

In [29]:

# imprimir serie
print("serie:")
print( date_rng )

# imprimir serie print("serie:") print( date_rng )

serie:
DatetimeIndex(['2019-01-01 00:00:00', '2019-01-01 04:00:00',
               '2019-01-01 08:00:00', '2019-01-01 12:00:00',
               '2019-01-01 16:00:00', '2019-01-01 20:00:00',
               '2019-01-02 00:00:00', '2019-01-02 04:00:00',
               '2019-01-02 08:00:00', '2019-01-02 12:00:00',
               '2019-01-02 16:00:00', '2019-01-02 20:00:00',
               '2019-01-03 00:00:00'],
              dtype='datetime64[ns]', freq='4H')

In [30]:

# tipo 
print("type:\n")
print( type(date_rng) )

# tipo print("type:\n") print( type(date_rng) )

type:

<class 'pandas.core.indexes.datetimes.DatetimeIndex'>

Atributos de las fechas

In [31]:

# obtener fechas
print("date:\n")
print(date_rng.date)

# obtener tiempo
print("\nhour:\n")
print(date_rng.time)

# obtener fechas print("date:\n") print(date_rng.date) # obtener tiempo print("\nhour:\n") print(date_rng.time)

date:

[datetime.date(2019, 1, 1) datetime.date(2019, 1, 1)
 datetime.date(2019, 1, 1) datetime.date(2019, 1, 1)
 datetime.date(2019, 1, 1) datetime.date(2019, 1, 1)
 datetime.date(2019, 1, 2) datetime.date(2019, 1, 2)
 datetime.date(2019, 1, 2) datetime.date(2019, 1, 2)
 datetime.date(2019, 1, 2) datetime.date(2019, 1, 2)
 datetime.date(2019, 1, 3)]

hour:

[datetime.time(0, 0) datetime.time(4, 0) datetime.time(8, 0)
 datetime.time(12, 0) datetime.time(16, 0) datetime.time(20, 0)
 datetime.time(0, 0) datetime.time(4, 0) datetime.time(8, 0)
 datetime.time(12, 0) datetime.time(16, 0) datetime.time(20, 0)
 datetime.time(0, 0)]

Fechas y string

In [32]:

# elementos de datetime a string 
string_date_rng = [str(x) for x in date_rng]

print("datetime to string: \n")
print( np.array(string_date_rng) )

# elementos de datetime a string string_date_rng = [str(x) for x in date_rng] print("datetime to string: \n") print( np.array(string_date_rng) )

datetime to string: 

['2019-01-01 00:00:00' '2019-01-01 04:00:00' '2019-01-01 08:00:00'
 '2019-01-01 12:00:00' '2019-01-01 16:00:00' '2019-01-01 20:00:00'
 '2019-01-02 00:00:00' '2019-01-02 04:00:00' '2019-01-02 08:00:00'
 '2019-01-02 12:00:00' '2019-01-02 16:00:00' '2019-01-02 20:00:00'
 '2019-01-03 00:00:00']

In [33]:

# elementos de string a datetime 
timestamp_date_rng = pd.to_datetime(string_date_rng, infer_datetime_format=True)

print("string to datetime:\n")
print( timestamp_date_rng )

# elementos de string a datetime timestamp_date_rng = pd.to_datetime(string_date_rng, infer_datetime_format=True) print("string to datetime:\n") print( timestamp_date_rng )

string to datetime:

DatetimeIndex(['2019-01-01 00:00:00', '2019-01-01 04:00:00',
               '2019-01-01 08:00:00', '2019-01-01 12:00:00',
               '2019-01-01 16:00:00', '2019-01-01 20:00:00',
               '2019-01-02 00:00:00', '2019-01-02 04:00:00',
               '2019-01-02 08:00:00', '2019-01-02 12:00:00',
               '2019-01-02 16:00:00', '2019-01-02 20:00:00',
               '2019-01-03 00:00:00'],
              dtype='datetime64[ns]', freq=None)

Pandas Dataframes¶

Trabajando con pandas.DataFrames¶

Como se mencina anteriormente, los dataframes son arreglos de series, los cuales pueden ser de distintos tipos (numéricos, string, etc.). En esta parte mostraremos un ejemplo aplicado de las distintas funcionalidades de los dataframes.

Creación de dataframes¶

La creación se puede hacer de variadas formas con listas, dictionarios , numpy array , entre otros.

In [34]:

# empty dataframe
df_empty = pd.DataFrame()
df_empty

# empty dataframe df_empty = pd.DataFrame() df_empty

Out[34]:

In [35]:

# dataframe with list
df_list = pd.DataFrame(
    [
        ["nombre_01", "apellido_01", 60],
        ["nombre_02", "apellido_02", 14]
    ],
    
    columns = ["nombre", "apellido", "edad"]
)
df_list

# dataframe with list df_list = pd.DataFrame( [ ["nombre_01", "apellido_01", 60], ["nombre_02", "apellido_02", 14] ], columns = ["nombre", "apellido", "edad"] ) df_list

Out[35]:

	nombre	apellido	edad
0	nombre_01	apellido_01	60
1	nombre_02	apellido_02	14

In [36]:

# dataframe with dct
df_dct =  pd.DataFrame(
    {
        "nombre": ["nombre_01", "nombre_02",],
        "apellido": ["apellido_01", "apellido_02"],
        "edad": np.array([60,14]),
    }
)

df_dct

# dataframe with dct df_dct = pd.DataFrame( { "nombre": ["nombre_01", "nombre_02",], "apellido": ["apellido_01", "apellido_02"], "edad": np.array([60,14]), } ) df_dct

Out[36]:

	nombre	apellido	edad
0	nombre_01	apellido_01	60
1	nombre_02	apellido_02	14

Lectura de datos con dataframes¶

En general, cuando se trabajan con datos, estos se almacenan en algún lugar y en algún tipo de formato, por ejemplo:

• .txt
• .csv
• .xlsx
• .db
• etc.

Para cada formato, existe un módulo para realizar la lectura de datos. En este caso, se analiza el conjunto de datos 'player_data.csv', el cual muestra informacion básica de algunos jugadores de la NBA.

In [37]:

# load data

url='https://drive.google.com/file/d/1V7k6JxEn7aJuWHmQH0ZxzbZTNZJeMkvs/view?usp=drive_link'
url='https://drive.google.com/uc?id=' + url.split('/')[-2]

player_data = pd.read_csv(url, sep="," )
player_data

# load data url='https://drive.google.com/file/d/1V7k6JxEn7aJuWHmQH0ZxzbZTNZJeMkvs/view?usp=drive_link' url='https://drive.google.com/uc?id=' + url.split('/')[-2] player_data = pd.read_csv(url, sep="," ) player_data

Out[37]:

	name	year_start	year_end	position	height	weight	birth_date	college
0	Alaa Abdelnaby	1991	1995	F-C	6-10	240.0	June 24, 1968	Duke University
1	Zaid Abdul-Aziz	1969	1978	C-F	6-9	235.0	April 7, 1946	Iowa State University
2	Kareem Abdul-Jabbar	1970	1989	C	7-2	225.0	April 16, 1947	University of California, Los Angeles
3	Mahmoud Abdul-Rauf	1991	2001	G	6-1	162.0	March 9, 1969	Louisiana State University
4	Tariq Abdul-Wahad	1998	2003	F	6-6	223.0	November 3, 1974	San Jose State University
...	...	...	...	...	...	...	...	...
4545	Ante Zizic	2018	2018	F-C	6-11	250.0	January 4, 1997	NaN
4546	Jim Zoet	1983	1983	C	7-1	240.0	December 20, 1953	Kent State University
4547	Bill Zopf	1971	1971	G	6-1	170.0	June 7, 1948	Duquesne University
4548	Ivica Zubac	2017	2018	C	7-1	265.0	March 18, 1997	NaN
4549	Matt Zunic	1949	1949	G-F	6-3	195.0	December 19, 1919	George Washington University

4550 rows × 8 columns

Módulos básicos¶

Existen módulos para comprender rápidamente la naturaleza del dataframe.

In [38]:

# primeras silas
print("first 5 rows:")
player_data.head(5)

# primeras silas print("first 5 rows:") player_data.head(5)

first 5 rows:

Out[38]:

	name	year_start	year_end	position	height	weight	birth_date	college
0	Alaa Abdelnaby	1991	1995	F-C	6-10	240.0	June 24, 1968	Duke University
1	Zaid Abdul-Aziz	1969	1978	C-F	6-9	235.0	April 7, 1946	Iowa State University
2	Kareem Abdul-Jabbar	1970	1989	C	7-2	225.0	April 16, 1947	University of California, Los Angeles
3	Mahmoud Abdul-Rauf	1991	2001	G	6-1	162.0	March 9, 1969	Louisiana State University
4	Tariq Abdul-Wahad	1998	2003	F	6-6	223.0	November 3, 1974	San Jose State University

In [39]:

# ultimas filas
print("\nlast 5 rows:")
player_data.tail(5)

# ultimas filas print("\nlast 5 rows:") player_data.tail(5)

last 5 rows:

Out[39]:

	name	year_start	year_end	position	height	weight	birth_date	college
4545	Ante Zizic	2018	2018	F-C	6-11	250.0	January 4, 1997	NaN
4546	Jim Zoet	1983	1983	C	7-1	240.0	December 20, 1953	Kent State University
4547	Bill Zopf	1971	1971	G	6-1	170.0	June 7, 1948	Duquesne University
4548	Ivica Zubac	2017	2018	C	7-1	265.0	March 18, 1997	NaN
4549	Matt Zunic	1949	1949	G-F	6-3	195.0	December 19, 1919	George Washington University

In [40]:

# tipo
print("\ntype of dataframe:")
type(player_data)

# tipo print("\ntype of dataframe:") type(player_data)

type of dataframe:

Out[40]:

pandas.core.frame.DataFrame

In [41]:

# tipo por columnas
print("\ntype of columns:")
player_data.dtypes

# tipo por columnas print("\ntype of columns:") player_data.dtypes

type of columns:

Out[41]:

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

In [42]:

# dimension
print("\nshape:")
player_data.shape

# dimension print("\nshape:") player_data.shape

shape:

Out[42]:

(4550, 8)

In [43]:

# nombre de las columnas
print("\ncols:")
player_data.columns

# nombre de las columnas print("\ncols:") player_data.columns

cols:

Out[43]:

Index(['name', 'year_start', 'year_end', 'position', 'height', 'weight',
       'birth_date', 'college'],
      dtype='object')

In [44]:

# indice
print("\nindex:")
player_data.index

# indice print("\nindex:") player_data.index

index:

Out[44]:

RangeIndex(start=0, stop=4550, step=1)

In [45]:

# acceder a la columna posicion
print("\ncolumn 'position': ")
player_data['position'].head()

# acceder a la columna posicion print("\ncolumn 'position': ") player_data['position'].head()

column 'position': 

Out[45]:

0    F-C
1    C-F
2      C
3      G
4      F
Name: position, dtype: object

In [46]:

# cambiar nombre de una o varias columnas
player_data = player_data.rename(columns={"birth_date": "Birth", "college": "College"})
player_data.head()

# cambiar nombre de una o varias columnas player_data = player_data.rename(columns={"birth_date": "Birth", "college": "College"}) player_data.head()

Out[46]:

	name	year_start	year_end	position	height	weight	Birth	College
0	Alaa Abdelnaby	1991	1995	F-C	6-10	240.0	June 24, 1968	Duke University
1	Zaid Abdul-Aziz	1969	1978	C-F	6-9	235.0	April 7, 1946	Iowa State University
2	Kareem Abdul-Jabbar	1970	1989	C	7-2	225.0	April 16, 1947	University of California, Los Angeles
3	Mahmoud Abdul-Rauf	1991	2001	G	6-1	162.0	March 9, 1969	Louisiana State University
4	Tariq Abdul-Wahad	1998	2003	F	6-6	223.0	November 3, 1974	San Jose State University

In [47]:

# fijar columna especifica como indice
player_data = player_data.set_index(["name"])
player_data.head()

# fijar columna especifica como indice player_data = player_data.set_index(["name"]) player_data.head()

Out[47]:

	year_start	year_end	position	height	weight	Birth	College
name
Alaa Abdelnaby	1991	1995	F-C	6-10	240.0	June 24, 1968	Duke University
Zaid Abdul-Aziz	1969	1978	C-F	6-9	235.0	April 7, 1946	Iowa State University
Kareem Abdul-Jabbar	1970	1989	C	7-2	225.0	April 16, 1947	University of California, Los Angeles
Mahmoud Abdul-Rauf	1991	2001	G	6-1	162.0	March 9, 1969	Louisiana State University
Tariq Abdul-Wahad	1998	2003	F	6-6	223.0	November 3, 1974	San Jose State University

In [48]:

# ordenar dataframe por columna especifica
player_data = player_data.sort_values("weight")
player_data.head()

# ordenar dataframe por columna especifica player_data = player_data.sort_values("weight") player_data.head()

Out[48]:

	year_start	year_end	position	height	weight	Birth	College
name
Penny Early	1969	1969	G	5-3	114.0	May 30, 1943	NaN
Spud Webb	1986	1998	G	5-6	133.0	July 13, 1963	North Carolina State University
Earl Boykins	1999	2012	G	5-5	135.0	June 2, 1976	Eastern Michigan University
Muggsy Bogues	1988	2001	G	5-3	136.0	January 9, 1965	Wake Forest University
Chet Aubuchon	1947	1947	G	5-10	137.0	May 18, 1916	Michigan State University

In [49]:

# resumen de la información 
player_data.describe(include='all')# player_data.describe()

# resumen de la información player_data.describe(include='all')# player_data.describe()

Out[49]:

	year_start	year_end	position	height	weight	Birth	College
count	4550.000000	4550.000000	4549	4549	4544.000000	4519	4248
unique	NaN	NaN	7	28	NaN	4161	473
top	NaN	NaN	G	6-7	NaN	February 23, 1945	University of Kentucky
freq	NaN	NaN	1574	473	NaN	3	99
mean	1985.076264	1989.272527	NaN	NaN	208.908011	NaN	NaN
std	20.974188	21.874761	NaN	NaN	26.268662	NaN	NaN
min	1947.000000	1947.000000	NaN	NaN	114.000000	NaN	NaN
25%	1969.000000	1973.000000	NaN	NaN	190.000000	NaN	NaN
50%	1986.000000	1992.000000	NaN	NaN	210.000000	NaN	NaN
75%	2003.000000	2009.000000	NaN	NaN	225.000000	NaN	NaN
max	2018.000000	2018.000000	NaN	NaN	360.000000	NaN	NaN

Operando sobre Dataframes¶

Cuando se trabaja con un conjunto de datos, se crea una dinámica de preguntas y respuestas, en donde a medida que necesito información, se va accediendo al dataframe. En algunas ocaciones es directo, basta un simple módulo, aunque en otras será necesaria realizar operaciones un poco más complejas.

Por ejemplo, del conjunto de datos en estudio, se esta interesado en responder las siguientes preguntas:

a) Determine si el dataframe tiene valores nulos

In [50]:

# veamos las columnas con datos nulos
for col in player_data.columns:
   
    temp = player_data[player_data[col].isnull()]
    print(col)
    print(f"valores nulos: {len(temp)}\n")

# veamos las columnas con datos nulos for col in player_data.columns: temp = player_data[player_data[col].isnull()] print(col) print(f"valores nulos: {len(temp)}\n")

year_start
valores nulos: 0

year_end
valores nulos: 0

position
valores nulos: 1

height
valores nulos: 1

weight
valores nulos: 6

Birth
valores nulos: 31

College
valores nulos: 302

In [51]:

# ocupar comando .notnull().all(axis=1) para ver todos los valores que NO son nulos para todas las columnas
player_data.notnull().all(axis=1).head(10)

# ocupar comando .notnull().all(axis=1) para ver todos los valores que NO son nulos para todas las columnas player_data.notnull().all(axis=1).head(10)

Out[51]:

name
Penny Early        False
Spud Webb           True
Earl Boykins        True
Muggsy Bogues       True
Chet Aubuchon       True
Greg Grant          True
Angelo Musi         True
Ernie Calverley     True
Tyler Ulis          True
Lionel Malamed      True
dtype: bool

b) Elimine los valores nulos del dataframe

In [52]:

# ocupar masking
mask = lambda df: df.notnull().all(axis=1)
player_data = player_data[mask]
player_data.head()

# ocupar masking mask = lambda df: df.notnull().all(axis=1) player_data = player_data[mask] player_data.head()

Out[52]:

	year_start	year_end	position	height	weight	Birth	College
name
Spud Webb	1986	1998	G	5-6	133.0	July 13, 1963	North Carolina State University
Earl Boykins	1999	2012	G	5-5	135.0	June 2, 1976	Eastern Michigan University
Muggsy Bogues	1988	2001	G	5-3	136.0	January 9, 1965	Wake Forest University
Chet Aubuchon	1947	1947	G	5-10	137.0	May 18, 1916	Michigan State University
Greg Grant	1990	1996	G	5-7	140.0	August 29, 1966	Trenton State University

c) Determinar el tiempo (en años) de cada jugador en su posición

In [53]:

player_data['duration'] = player_data['year_end'] - player_data['year_start']
player_data.head()

player_data['duration'] = player_data['year_end'] - player_data['year_start'] player_data.head()

Out[53]:

	year_start	year_end	position	height	weight	Birth	College	duration
name
Spud Webb	1986	1998	G	5-6	133.0	July 13, 1963	North Carolina State University	12
Earl Boykins	1999	2012	G	5-5	135.0	June 2, 1976	Eastern Michigan University	13
Muggsy Bogues	1988	2001	G	5-3	136.0	January 9, 1965	Wake Forest University	13
Chet Aubuchon	1947	1947	G	5-10	137.0	May 18, 1916	Michigan State University	0
Greg Grant	1990	1996	G	5-7	140.0	August 29, 1966	Trenton State University	6

d) Castear la fecha de str a objeto datetime

In [54]:

player_data['birth_date_dt'] = pd.to_datetime(player_data['Birth'], format="%B %d, %Y")
player_data.head()

player_data['birth_date_dt'] = pd.to_datetime(player_data['Birth'], format="%B %d, %Y") player_data.head()

Out[54]:

	year_start	year_end	position	height	weight	Birth	College	duration	birth_date_dt
name
Spud Webb	1986	1998	G	5-6	133.0	July 13, 1963	North Carolina State University	12	1963-07-13
Earl Boykins	1999	2012	G	5-5	135.0	June 2, 1976	Eastern Michigan University	13	1976-06-02
Muggsy Bogues	1988	2001	G	5-3	136.0	January 9, 1965	Wake Forest University	13	1965-01-09
Chet Aubuchon	1947	1947	G	5-10	137.0	May 18, 1916	Michigan State University	0	1916-05-18
Greg Grant	1990	1996	G	5-7	140.0	August 29, 1966	Trenton State University	6	1966-08-29

e) Determinar todas las posiciones

In [55]:

positions = player_data['position'].unique()
positions

positions = player_data['position'].unique() positions

Out[55]:

array(['G', 'G-F', 'F-G', 'F', 'F-C', 'C-F', 'C'], dtype=object)

f) Iterar sobre cada posición y encontrar el mayor valor asociado a la columna weight

In [56]:

# Iterar sobre cada posición y encontrar el mayor valor.
nba_position_duration = dict()

# iterar
for position in positions:
    
    # filtrar 
    df_aux = player_data.loc[lambda x: x['position'] == position]
    
    # encontrar maximo de la columna objetivo
    max_duration = df_aux['weight'].max()
    
    # guardar en pd.Series
    nba_position_duration[position] = max_duration
    
# retornar serie
nba_position_duration

# Iterar sobre cada posición y encontrar el mayor valor. nba_position_duration = dict() # iterar for position in positions: # filtrar df_aux = player_data.loc[lambda x: x['position'] == position] # encontrar maximo de la columna objetivo max_duration = df_aux['weight'].max() # guardar en pd.Series nba_position_duration[position] = max_duration # retornar serie nba_position_duration

Out[56]:

{'G': 235.0,
 'G-F': 240.0,
 'F-G': 245.0,
 'F': 284.0,
 'F-C': 290.0,
 'C-F': 280.0,
 'C': 360.0}

Referencias¶

1. Python Pandas Tutorial: A Complete Introduction for Beginners
2. General functions