{"id":160744,"date":"2022-05-27T08:55:31","date_gmt":"2022-05-27T07:55:31","guid":{"rendered":"https:\/\/multi.datascientest.com\/?p=160744"},"modified":"2023-10-30T17:16:11","modified_gmt":"2023-10-30T16:16:11","slug":"que-es-un-dataframe","status":"publish","type":"post","link":"https:\/\/datascientest.com\/es\/que-es-un-dataframe","title":{"rendered":"\u00bfQu\u00e9 es un DataFrame?"},"content":{"rendered":"\t\t<div data-elementor-type=\"wp-post\" data-elementor-id=\"160744\" class=\"elementor elementor-160744\" data-elementor-post-type=\"post\">\n\t\t\t\t\t\t\t\t\t<section class=\"elementor-section elementor-top-section elementor-element elementor-element-8c189f4 elementor-section-boxed elementor-section-height-default elementor-section-height-default\" data-id=\"8c189f4\" data-element_type=\"section\">\n\t\t\t\t\t\t<div class=\"elementor-container elementor-column-gap-default\">\n\t\t\t\t\t<div class=\"elementor-column elementor-col-100 elementor-top-column elementor-element elementor-element-1afa5b4\" data-id=\"1afa5b4\" data-element_type=\"column\">\n\t\t\t<div class=\"elementor-widget-wrap elementor-element-populated\">\n\t\t\t\t\t\t\t\t<div class=\"elementor-element elementor-element-7085417 elementor-widget elementor-widget-text-editor\" data-id=\"7085417\" data-element_type=\"widget\" data-widget_type=\"text-editor.default\">\n\t\t\t\t<div class=\"elementor-widget-container\">\n\t\t\t<style>\/*! elementor - v3.15.0 - 02-08-2023 *\/\n.elementor-widget-text-editor.elementor-drop-cap-view-stacked .elementor-drop-cap{background-color:#69727d;color:#fff}.elementor-widget-text-editor.elementor-drop-cap-view-framed .elementor-drop-cap{color:#69727d;border:3px solid;background-color:transparent}.elementor-widget-text-editor:not(.elementor-drop-cap-view-default) .elementor-drop-cap{margin-top:8px}.elementor-widget-text-editor:not(.elementor-drop-cap-view-default) .elementor-drop-cap-letter{width:1em;height:1em}.elementor-widget-text-editor .elementor-drop-cap{float:left;text-align:center;line-height:1;font-size:50px}.elementor-widget-text-editor .elementor-drop-cap-letter{display:inline-block}<\/style>\t\t\t\t<h2><strong>Pandas es una de las principales librer\u00edas de Python, que es un lenguaje de programaci\u00f3n orientado a objetos de alto nivel muy popular entre los Data Scientists. Las estructuras m\u00e1s utilizadas en este m\u00f3dulo son las Series y los DataFrames. A diferencia de las Series, que son objetos correspondientes a paneles unidimensionales, los DataFrames son paneles bidimensionales compuestos por filas y columnas, que permiten destacar las relaciones entre las distintas variables de la serie de datos.<\/strong><\/h2>\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<div class=\"elementor-element elementor-element-8460e30 elementor-widget elementor-widget-text-editor\" data-id=\"8460e30\" data-element_type=\"widget\" data-widget_type=\"text-editor.default\">\n\t\t\t\t<div class=\"elementor-widget-container\">\n\t\t\t\t\t\t\t<blockquote><p><span style=\"color: #000000;\"><i><span style=\"font-weight: 400;\">Un DataFrame es una serie de Series Pandas indexadas por un valor. En este art\u00edculo, presentaremos la estructura de los DataFrames y luego veremos sus diferentes atributos y m\u00e9todos b\u00e1sicos, y explicaremos su utilidad y funcionamiento.<\/span><\/i><\/span><\/p><\/blockquote>\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<div class=\"elementor-element elementor-element-f94fdee elementor-widget elementor-widget-heading\" data-id=\"f94fdee\" data-element_type=\"widget\" data-widget_type=\"heading.default\">\n\t\t\t\t<div class=\"elementor-widget-container\">\n\t\t\t<style>\/*! elementor - v3.15.0 - 02-08-2023 *\/\n.elementor-heading-title{padding:0;margin:0;line-height:1}.elementor-widget-heading .elementor-heading-title[class*=elementor-size-]>a{color:inherit;font-size:inherit;line-height:inherit}.elementor-widget-heading .elementor-heading-title.elementor-size-small{font-size:15px}.elementor-widget-heading .elementor-heading-title.elementor-size-medium{font-size:19px}.elementor-widget-heading .elementor-heading-title.elementor-size-large{font-size:29px}.elementor-widget-heading .elementor-heading-title.elementor-size-xl{font-size:39px}.elementor-widget-heading .elementor-heading-title.elementor-size-xxl{font-size:59px}<\/style><h3 class=\"elementor-heading-title elementor-size-default\">1) \u00bfC\u00f3mo se presenta un DataFrame?<\/h3>\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<div class=\"elementor-element elementor-element-77488eb elementor-widget elementor-widget-text-editor\" data-id=\"77488eb\" data-element_type=\"widget\" data-widget_type=\"text-editor.default\">\n\t\t\t\t<div class=\"elementor-widget-container\">\n\t\t\t\t\t\t\t<p><span style=\"font-weight: 400; color: #000000;\">El formato de estas estructuras puede compararse con los diccionarios de Python. Efectivamente, las claves son los nombres de las columnas y los valores son las Series. Su estructura puede considerarse similar a la de una hoja de c\u00e1lculo de Excel.<\/span><\/p><blockquote><p><span style=\"color: #000000;\"><i><span style=\"font-weight: 400;\">Cada fila contiene datos espec\u00edficos de varias columnas, que son variables. El nombre de las filas de un DataFrame se llama \u00abindex\u00bb que, por defecto, empieza siempre por 0.<\/span><\/i><\/span><\/p><\/blockquote><p><span style=\"color: #000000;\"><span style=\"font-weight: 400;\">Sin embargo, se puede indexar las filas de un DataFrame por cualquier valor: ID de cliente o incluso, unidad de tiempo. En cuanto al nombre de las columnas, est\u00e1n etiquetadas con el nombre de una variable espec\u00edfica a la que se le dan diferentes valores. Los valores de estas variables pueden adoptar muchos formatos de datos. Cada columna se asocia a un tipo de datos, por ejemplo una cadena de car\u00e1cter (objeto) que se relaciona con datos cualitativos, o una columna con un tipo integrador, que corresponder\u00e1 a n\u00fameros enteros. El tipo de las variables se puede cambiar seg\u00fan las necesidades utilizando el m\u00e9todo <\/span><b>astype().<\/b><\/span><\/p>\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<div class=\"elementor-element elementor-element-726e624 elementor-widget elementor-widget-image\" data-id=\"726e624\" data-element_type=\"widget\" data-widget_type=\"image.default\">\n\t\t\t\t<div class=\"elementor-widget-container\">\n\t\t\t<style>\/*! elementor - v3.15.0 - 02-08-2023 *\/\n.elementor-widget-image{text-align:center}.elementor-widget-image a{display:inline-block}.elementor-widget-image a img[src$=\".svg\"]{width:48px}.elementor-widget-image img{vertical-align:middle;display:inline-block}<\/style>\t\t\t\t\t\t\t\t\t\t\t\t<img decoding=\"async\" width=\"800\" height=\"878\" src=\"https:\/\/datascientest.com\/es\/files\/2021\/11\/Sans-titre-2-02-933x1024.png\" class=\"attachment-large size-large wp-image-130043\" alt=\"\" srcset=\"https:\/\/datascientest.com\/es\/files\/2021\/11\/Sans-titre-2-02-933x1024.png 933w, https:\/\/datascientest.com\/es\/files\/2021\/11\/Sans-titre-2-02-273x300.png 273w, https:\/\/datascientest.com\/es\/files\/2021\/11\/Sans-titre-2-02-768x843.png 768w, https:\/\/datascientest.com\/es\/files\/2021\/11\/Sans-titre-2-02-1399x1536.png 1399w, https:\/\/datascientest.com\/es\/files\/2021\/11\/Sans-titre-2-02-1866x2048.png 1866w\" sizes=\"(max-width: 800px) 100vw, 800px\" \/>\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<div class=\"elementor-element elementor-element-858757c elementor-widget elementor-widget-heading\" data-id=\"858757c\" data-element_type=\"widget\" data-widget_type=\"heading.default\">\n\t\t\t\t<div class=\"elementor-widget-container\">\n\t\t\t<h3 class=\"elementor-heading-title elementor-size-default\">2) Atributos y m\u00e9todos que no deben faltar<\/h3>\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<div class=\"elementor-element elementor-element-954bd24 elementor-widget elementor-widget-text-editor\" data-id=\"954bd24\" data-element_type=\"widget\" data-widget_type=\"text-editor.default\">\n\t\t\t\t<div class=\"elementor-widget-container\">\n\t\t\t\t\t\t\t<p><span style=\"font-weight: 400; color: #000000;\">Hay muchas formas de manipular los DataFrames. Los atributos y los m\u00e9todos de esta estructura Pandas son muy numerosos. Este art\u00edculo se centrar\u00e1 esencialmente en los m\u00e9todos b\u00e1sicos para aprender a manejar los DataFrames.<\/span><\/p>\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<div class=\"elementor-element elementor-element-792e66f elementor-widget elementor-widget-heading\" data-id=\"792e66f\" data-element_type=\"widget\" data-widget_type=\"heading.default\">\n\t\t\t\t<div class=\"elementor-widget-container\">\n\t\t\t<h3 class=\"elementor-heading-title elementor-size-default\">A- Importaci\u00f3n y observaci\u00f3n de la serie de datos<\/h3>\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<div class=\"elementor-element elementor-element-fcb23e2 elementor-widget elementor-widget-heading\" data-id=\"fcb23e2\" data-element_type=\"widget\" data-widget_type=\"heading.default\">\n\t\t\t\t<div class=\"elementor-widget-container\">\n\t\t\t<h4 class=\"elementor-heading-title elementor-size-default\">Importaci\u00f3n e informaci\u00f3n de las variables<\/h4>\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<div class=\"elementor-element elementor-element-7972868 elementor-widget elementor-widget-text-editor\" data-id=\"7972868\" data-element_type=\"widget\" data-widget_type=\"text-editor.default\">\n\t\t\t\t<div class=\"elementor-widget-container\">\n\t\t\t\t\t\t\t<p><span style=\"color: #000000;\"><span style=\"font-weight: 400;\">Para importar una serie de datos, la librer\u00eda Pandas propone un m\u00e9todo muy pr\u00e1ctico que es <\/span><b>pd.read_csv().<\/b><span style=\"font-weight: 400;\"> Si el archivo que contiene la serie de datos est\u00e1 en otro formato que no sea el de <\/span><i><span style=\"font-weight: 400;\">Comma Separated Value<\/span><\/i><span style=\"font-weight: 400;\">, basta con cambiar la terminaci\u00f3n del m\u00e9todo por el tipo de archivo correcto. Por ejemplo, un archivo de Excel se importar\u00e1 de la siguiente manera: <\/span><b>pd.read_excel().<\/b><span style=\"font-weight: 400;\"> Este m\u00e9todo importa la serie de datos en una estructura DataFrame.<\/span><\/span><\/p><p><span style=\"color: #000000;\"><span style=\"font-weight: 400;\">Despu\u00e9s se debe utilizar el m\u00e9todo <\/span><b>info()<\/b><span style=\"font-weight: 400;\"> para obtener la informaci\u00f3n sobre el DataFrame. Este m\u00e9todo devuelve el tipo de las variables, el n\u00famero de columnas, el n\u00famero de filas no nulas, el tipo de \u00edndice, el tama\u00f1o de la memoria de la serie de datos, etc. Tambi\u00e9n se recomienda utilizar el m\u00e9todo <\/span><b>describe()<\/b><span style=\"font-weight: 400;\">, que permite conocer algunas estad\u00edsticas descriptivas sobre el DataFrame. Por ejemplo, permite saber el valor m\u00ednimo y m\u00e1ximo de cada variable, los cuartiles o incluso la desviaci\u00f3n tipo de las columnas. Este m\u00e9todo es \u00fatil para hacerse una idea de la distribuci\u00f3n de las variables.<\/span><\/span><\/p>\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<div class=\"elementor-element elementor-element-4e9a604 elementor-widget elementor-widget-heading\" data-id=\"4e9a604\" data-element_type=\"widget\" data-widget_type=\"heading.default\">\n\t\t\t\t<div class=\"elementor-widget-container\">\n\t\t\t<h4 class=\"elementor-heading-title elementor-size-default\">Primera vista del DataFrame<\/h4>\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<div class=\"elementor-element elementor-element-0168efc elementor-widget elementor-widget-text-editor\" data-id=\"0168efc\" data-element_type=\"widget\" data-widget_type=\"text-editor.default\">\n\t\t\t\t<div class=\"elementor-widget-container\">\n\t\t\t\t\t\t\t<p><span style=\"color: #000000;\"><span style=\"font-weight: 400;\">Cuando se importa la serie de datos, es necesario tener una visi\u00f3n general del DataFrame. El primer paso es utilizar el atributo <\/span><b>shape<\/b><span style=\"font-weight: 400;\">, que permite conocer la dimensi\u00f3n del DataFrame y devolver una tupla (<\/span><i><span style=\"font-weight: 400;\">n\u00famero_de_filas, n\u00famero_de_columnas)<\/span><\/i><span style=\"font-weight: 400;\">. Para entender la serie de datos, hay tres m\u00e9todos muy \u00fatiles para ver las filas del DataFrame :<\/span><\/span><\/p><ul><li style=\"font-weight: 400;\" aria-level=\"1\"><p><span style=\"color: #000000;\"><span style=\"font-weight: 400;\">El m\u00e9todo <\/span><b>head()<\/b><span style=\"font-weight: 400;\"> devuelve las cinco primeras filas del DataFrame, si no se especifica un n\u00famero entre par\u00e9ntesis.<\/span><\/span><\/p><\/li><li style=\"font-weight: 400;\" aria-level=\"1\"><span style=\"color: #000000;\"><span style=\"font-weight: 400;\">Por otro lado, el m\u00e9todo <\/span><b>tail()<\/b><span style=\"font-weight: 400;\"> permite visualizar las \u00faltimas cinco l\u00edneas del DataFrame.<\/span><\/span><\/li><\/ul><p><span style=\"font-weight: 400; color: #000000;\">Estos dos m\u00e9todos permiten visualizar el principio y el final de la serie de datos. Esto incluye una ventaja real para los datos de tipo Times Series, para tener una visi\u00f3n simple de la evoluci\u00f3n de los datos en el tiempo, pero tambi\u00e9n permite, en un caso m\u00e1s general, ver si los datos mantienen un cierto sentido: si el principio del DataFrame difiere considerablemente del final del mismo, es necesario comprender la causa e intentar resolver este problema antes de cualquier manipulaci\u00f3n de los datos.<\/span><\/p><ul><li style=\"font-weight: 400;\" aria-level=\"1\"><p><span style=\"color: #000000;\"><span style=\"font-weight: 400;\">Si se desea una visualizaci\u00f3n m\u00e1s aleatoria de las filas, se debe preferir el m\u00e9todo <\/span><b>sample()<\/b><span style=\"font-weight: 400;\">. Devuelve las filas de forma aleatoria. Por defecto, el resultado solo devuelve una fila del DataFrame. Por lo tanto, es preferible escribir un n\u00famero entero entre par\u00e9ntesis para visualizar un mayor n\u00famero de filas y, en consecuencia, hacerse una mejor idea del contenido del DataFrame.<\/span><\/span><\/p><\/li><\/ul>\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<div class=\"elementor-element elementor-element-dfaf502 elementor-widget elementor-widget-heading\" data-id=\"dfaf502\" data-element_type=\"widget\" data-widget_type=\"heading.default\">\n\t\t\t\t<div class=\"elementor-widget-container\">\n\t\t\t<h4 class=\"elementor-heading-title elementor-size-default\">Slicing<\/h4>\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<div class=\"elementor-element elementor-element-f84bf5f elementor-widget elementor-widget-text-editor\" data-id=\"f84bf5f\" data-element_type=\"widget\" data-widget_type=\"text-editor.default\">\n\t\t\t\t<div class=\"elementor-widget-container\">\n\t\t\t\t\t\t\t<p><span style=\"color: #000000;\"><span style=\"font-weight: 400;\">Podemos filtrar nuestros datos utilizando el <\/span><b>slice<\/b><span style=\"font-weight: 400;\">. Por ejemplo, <\/span><b>df[:2]<\/b><span style=\"font-weight: 400;\"> devuelve las dos primeras filas de nuestro DataFrame. No hay que olvidar que el \u00faltimo n\u00famero es ex\u00f3geno al resultado, lo que significa que en el ejemplo, el slicing devolver\u00e1 las filas al \u00edndice 0 y 1.<\/span><\/span><\/p>\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<div class=\"elementor-element elementor-element-9335d7d elementor-widget elementor-widget-heading\" data-id=\"9335d7d\" data-element_type=\"widget\" data-widget_type=\"heading.default\">\n\t\t\t\t<div class=\"elementor-widget-container\">\n\t\t\t<h3 class=\"elementor-heading-title elementor-size-default\">B- Manipulaci\u00f3n de datos<\/h3>\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<div class=\"elementor-element elementor-element-8953dae elementor-widget elementor-widget-heading\" data-id=\"8953dae\" data-element_type=\"widget\" data-widget_type=\"heading.default\">\n\t\t\t\t<div class=\"elementor-widget-container\">\n\t\t\t<h4 class=\"elementor-heading-title elementor-size-default\">A\u00f1adir y modificar datos<\/h4>\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<div class=\"elementor-element elementor-element-3c9da4d elementor-widget elementor-widget-text-editor\" data-id=\"3c9da4d\" data-element_type=\"widget\" data-widget_type=\"text-editor.default\">\n\t\t\t\t<div class=\"elementor-widget-container\">\n\t\t\t\t\t\t\t<p><span style=\"font-weight: 400; color: #000000;\">Como se explic\u00f3 en la introducci\u00f3n, los DataFrames son tablas bidimensionales, que corresponden a los ejes de las filas (eje = 0) y de las columnas (eje = 1). Se pueden a\u00f1adir tantas filas o columnas como sea necesario, especificando el eje en el que queremos a\u00f1adir estos nuevos valores.<\/span><\/p><p><span style=\"color: #000000;\"><span style=\"font-weight: 400;\">Lo interesante de los DataFrames es que es muy f\u00e1cil recuperar, cambiar, cargar o buscar datos en esta estructura. Imaginemos un DataFrame indexado por tiempo, y que queremos recuperar todos los datos del 18 de diciembre de 2020. Con la funci\u00f3n <\/span><b>iloc<\/b><span style=\"font-weight: 400;\">, es posible recuperar todos los datos de las variables de esa fecha. Adem\u00e1s, es posible sustituir un valor de una de las columnas con esa funci\u00f3n especificando el \u00edndice y el nombre de la columna. Por ejemplo, si el 18 de diciembre de 2020 no hay ning\u00fan valor, pero sabemos que el valor real es 25, simplemente podemos hacer <\/span><b>df.iloc[index_de_la_l\u00ednea, \u201ccolumns\u201d] = 25<\/b><span style=\"font-weight: 400;\">.<\/span><\/span><\/p>\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<div class=\"elementor-element elementor-element-8b59cd2 elementor-widget elementor-widget-heading\" data-id=\"8b59cd2\" data-element_type=\"widget\" data-widget_type=\"heading.default\">\n\t\t\t\t<div class=\"elementor-widget-container\">\n\t\t\t<h4 class=\"elementor-heading-title elementor-size-default\">Indexaci\u00f3n booleana<\/h4>\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<div class=\"elementor-element elementor-element-1688c80 elementor-widget elementor-widget-text-editor\" data-id=\"1688c80\" data-element_type=\"widget\" data-widget_type=\"text-editor.default\">\n\t\t\t\t<div class=\"elementor-widget-container\">\n\t\t\t\t\t\t\t<p><span style=\"color: #000000;\"><span style=\"font-weight: 400;\">Se pueden filtrar los datos seg\u00fan una o varias condiciones, lo que permite recuperar datos espec\u00edficos o concretos para una necesidad precisa, y revelar toda su informaci\u00f3n \u00fatil y necesaria. Es lo que se llama <\/span><b>indexaci\u00f3n booleana<\/b><span style=\"font-weight: 400;\">. Esta t\u00e9cnica permite saber si el valor de una prueba es Verdadero o Falso y devuelve el resultado en forma de vector. Por ejemplo, tenemos una serie de datos donde cada columna es un mes del a\u00f1o, el DataFrame es de tipo DateTimeIndex, y queremos obtener las filas en las que el mes de enero es estrictamente superior a 25, entonces la forma de escribir el c\u00f3digo es: <\/span><b>df[df[\u00abenero\u00bb] &gt; 25].<\/b><span style=\"font-weight: 400;\"> Este m\u00e9todo de indexaci\u00f3n booleana permite filtrar los datos para devolver solo las filas que cumplen la condici\u00f3n \u00abvalores superiores a 25 para el mes de enero\u00bb. Por lo general, la indexaci\u00f3n booleana se escribe con el siguiente formato: <\/span><b>df[\u00abcondici\u00f3n\u00bb].<\/b><\/span><\/p>\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<div class=\"elementor-element elementor-element-f7f80e1 elementor-widget elementor-widget-heading\" data-id=\"f7f80e1\" data-element_type=\"widget\" data-widget_type=\"heading.default\">\n\t\t\t\t<div class=\"elementor-widget-container\">\n\t\t\t<h4 class=\"elementor-heading-title elementor-size-default\">Las columnas<\/h4>\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<div class=\"elementor-element elementor-element-87082eb elementor-widget elementor-widget-text-editor\" data-id=\"87082eb\" data-element_type=\"widget\" data-widget_type=\"text-editor.default\">\n\t\t\t\t<div class=\"elementor-widget-container\">\n\t\t\t\t\t\t\t<p><span style=\"font-weight: 400; color: #000000;\">Los DataFrames permiten manipular y almacenar una gran cantidad de datos. Sin embargo, en un contexto profesional, a menudo hay que tratar con grandes vol\u00famenes de datos y con variables muy numerosas. El aumento del n\u00famero de variables tiene un impacto particular en la organizaci\u00f3n de los DataFrames. En efecto, cuanto mayor es el n\u00famero de columnas, menos f\u00e1cil es visualizar los nombres de las variables. Para resolver este problema, hay varias manipulaciones posibles.<\/span><\/p><p><span style=\"color: #000000;\"><span style=\"font-weight: 400;\">Si el DataFrame tiene diez variables diferentes, se puede saber cu\u00e1les son sus nombres utilizando el atributo <\/span><b>df.columns<\/b><span style=\"font-weight: 400;\">. Pero cuando la serie de datos tiene ochocientas columnas, la visualizaci\u00f3n de los nombres de las variables no ser\u00e1 completa. Para resolver este problema, se puede utilizar el m\u00e9todo <\/span><b>df.columns.toList()<\/b><span style=\"font-weight: 400;\">, que permite almacenar los nombres de las columnas en una lista de <a href=\"https:\/\/datascientest.com\/es\/python-o-r-que-elegir\">Python<\/a>. Adem\u00e1s, para saber si hay filas que no son \u00fanicas, que pueden ser duplicadas, el m\u00e9todo <\/span><b>df[\u00abcolumns\u00bb].value_counts()<\/b><span style=\"font-weight: 400;\"> es una forma sencilla de comprobarlo. Para facilitar la lectura, si estamos acostumbrados a trabajar con paneles, se puede a\u00f1adir <\/span><b>to_frame()<\/b><span style=\"font-weight: 400;\"> al final del c\u00f3digo para visualizar los resultados en formato DataFrame. Este m\u00e9todo de <\/span><b>value_counts()<\/b><span style=\"font-weight: 400;\"> nos permite conocer la ocurrencia de las modalidades de una variable.<\/span><\/span><\/p>\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<div class=\"elementor-element elementor-element-602d531 elementor-widget elementor-widget-heading\" data-id=\"602d531\" data-element_type=\"widget\" data-widget_type=\"heading.default\">\n\t\t\t\t<div class=\"elementor-widget-container\">\n\t\t\t<h4 class=\"elementor-heading-title elementor-size-default\">Los valores perdidos<\/h4>\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<div class=\"elementor-element elementor-element-d5aa7ca elementor-widget elementor-widget-text-editor\" data-id=\"d5aa7ca\" data-element_type=\"widget\" data-widget_type=\"text-editor.default\">\n\t\t\t\t<div class=\"elementor-widget-container\">\n\t\t\t\t\t\t\t<p><span style=\"color: #000000;\"><span style=\"font-weight: 400;\">Cuando se trabaja en un proyecto de <a href=\"https:\/\/datascientest.com\/es\/formacion-data-scientist\">Data Science<\/a> es muy com\u00fan lidiar con valores perdidos o valores at\u00edpicos. Los DataFrames permiten resolver este problema con una facilidad desconcertante. Por ejemplo, en el caso de datos cualitativos, uno de los m\u00e9todos para sustituir los valores que faltan es tratar el modo de la modalidad. Para ello, basta con utilizar el siguiente c\u00f3digo para conseguir esa manipulaci\u00f3n: <\/span><b>df[columna].fillna(df[columnas].mode()[0]).<\/b><span style=\"font-weight: 400;\"> O, por ejemplo, sustituir los valores cuantitativos por la media.<\/span><\/span><\/p><p><span style=\"font-weight: 400; color: #000000;\">De este modo, los DataFrames permiten potenciar las correlaciones y las relaciones entre los datos gracias a las distintas manipulaciones posibles, definir filtros sobre los datos presentados a los equipos y almacenar y manipular datos masivos. En conclusi\u00f3n, los DataFrames permiten que los profesionales de la Data hagan que sus datos hablen, decidiendo las condiciones y las manipulaciones que se van a realizar.<\/span><\/p><p><span style=\"font-weight: 400; color: #000000;\">Si quieres aprender a hacer hablar a los datos, nuestros <a href=\"https:\/\/datascientest.com\/es\/formacion-data-scientist\">cursos de formaci\u00f3n de data Science<\/a> son para ti.<\/span><\/p>\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<div class=\"elementor-element elementor-element-89b83bb elementor-align-center elementor-widget elementor-widget-button\" data-id=\"89b83bb\" data-element_type=\"widget\" data-widget_type=\"button.default\">\n\t\t\t\t<div class=\"elementor-widget-container\">\n\t\t\t\t\t<div class=\"elementor-button-wrapper\">\n\t\t\t<a class=\"elementor-button elementor-button-link elementor-size-sm elementor-animation-grow\" href=\"https:\/\/datascientest.com\/es\/nuestros-cursos-de-data\">\n\t\t\t\t\t\t<span class=\"elementor-button-content-wrapper\">\n\t\t\t\t\t\t<span class=\"elementor-button-text\">Descubrir los programas<\/span>\n\t\t<\/span>\n\t\t\t\t\t<\/a>\n\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/div>\n\t\t\t\t\t\t\t<\/div>\n\t\t<\/section>\n\t\t<div class=\"elementor-element elementor-element-333e048 e-flex e-con-boxed e-con\" data-id=\"333e048\" data-element_type=\"container\" data-settings=\"{&quot;content_width&quot;:&quot;boxed&quot;}\">\n\t\t\t\t\t<div class=\"e-con-inner\">\n\t\t\t\t<div class=\"elementor-element elementor-element-78009d5 elementor-widget elementor-widget-html\" data-id=\"78009d5\" data-element_type=\"widget\" data-widget_type=\"html.default\">\n\t\t\t\t<div class=\"elementor-widget-container\">\n\t\t\t<script type=\"application\/ld+json\">\r\n{\r\n  \"@context\": \"https:\/\/schema.org\",\r\n  \"@type\": \"FAQPage\",\r\n  \"mainEntity\": {\r\n    \"@type\": \"Question\",\r\n    \"name\": \"\u00bfC\u00f3mo se presenta un DataFrame?\",\r\n    \"acceptedAnswer\": {\r\n      \"@type\": \"Answer\",\r\n      \"text\": \"El formato de estas estructuras puede compararse con los diccionarios de Python. Efectivamente, las claves son los nombres de las columnas y los valores son las Series. Su estructura puede considerarse similar a la de una hoja de c\u00e1lculo de Excel.\"\r\n    }\r\n  }\r\n}\r\n<\/script>\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t\t\t<\/div>\n\t\t","protected":false},"excerpt":{"rendered":"<p>Pandas es una de las principales librer\u00edas de Python, que es un lenguaje de programaci\u00f3n orientado a objetos de alto nivel muy popular entre los Data Scientists. Las estructuras m\u00e1s utilizadas en este m\u00f3dulo son las Series y los DataFrames. A diferencia de las Series, que son objetos correspondientes a paneles unidimensionales, los DataFrames son [&hellip;]<\/p>\n","protected":false},"author":45,"featured_media":129772,"comment_status":"open","ping_status":"open","sticky":false,"template":"elementor_theme","format":"standard","meta":{"content-type":"","inline_featured_image":false},"categories":[2427],"tags":[],"yoast_head":"<!-- This site is optimized with the Yoast SEO Premium plugin v21.7 (Yoast SEO v21.7) - https:\/\/yoast.com\/wordpress\/plugins\/seo\/ -->\n<title>\u00bfQu\u00e9 es un DataFrame? -<\/title>\n<meta name=\"description\" content=\"Un DataFrame es una serie de Series Pandas indexadas por un valor. En este art\u00edculo, presentaremos la estructura de los DataFrames y luego veremos sus diferentes atributos y m\u00e9todos b\u00e1sicos, y explicaremos su utilidad y funcionamiento.\" \/>\n<meta name=\"robots\" content=\"index, follow, max-snippet:-1, max-image-preview:large, max-video-preview:-1\" \/>\n<link rel=\"canonical\" href=\"https:\/\/datascientest.com\/es\/que-es-un-dataframe\" \/>\n<meta property=\"og:locale\" content=\"es_ES\" \/>\n<meta property=\"og:type\" content=\"article\" \/>\n<meta property=\"og:title\" content=\"\u00bfQu\u00e9 es un DataFrame?\" \/>\n<meta property=\"og:description\" content=\"Pandas es una de las principales librer\u00edas de Python, que es un lenguaje de programaci\u00f3n orientado a objetos de alto nivel muy popular entre los Data\" \/>\n<meta property=\"og:url\" content=\"https:\/\/datascientest.com\/es\/que-es-un-dataframe\" \/>\n<meta property=\"og:site_name\" content=\"Formaci\u00f3n en ciencia de datos | DataScientest.com\" \/>\n<meta property=\"article:publisher\" content=\"https:\/\/www.facebook.com\/DataScientestEN\" \/>\n<meta property=\"article:published_time\" content=\"2022-05-27T07:55:31+00:00\" \/>\n<meta property=\"article:modified_time\" content=\"2023-10-30T16:16:11+00:00\" \/>\n<meta property=\"og:image\" content=\"https:\/\/datascientest.com\/es\/wp-content\/blogs.dir\/7\/files\/2021\/11\/DATAFRAME_Plan-de-travail-1.png\" \/>\n\t<meta property=\"og:image:width\" content=\"4267\" \/>\n\t<meta property=\"og:image:height\" content=\"2342\" \/>\n\t<meta property=\"og:image:type\" content=\"image\/png\" \/>\n<meta name=\"author\" content=\"Daniel\" \/>\n<meta name=\"twitter:card\" content=\"summary_large_image\" \/>\n<meta name=\"twitter:creator\" content=\"@DataScientest__\" \/>\n<meta name=\"twitter:site\" content=\"@DataScientest__\" \/>\n<meta name=\"twitter:label1\" content=\"Escrito por\" \/>\n\t<meta name=\"twitter:data1\" content=\"Daniel\" \/>\n\t<meta name=\"twitter:label2\" content=\"Tiempo de lectura\" \/>\n\t<meta name=\"twitter:data2\" content=\"7 minutos\" \/>\n<script type=\"application\/ld+json\" class=\"yoast-schema-graph\">{\"@context\":\"https:\/\/schema.org\",\"@graph\":[{\"@type\":\"Article\",\"@id\":\"https:\/\/datascientest.com\/es\/que-es-un-dataframe#article\",\"isPartOf\":{\"@id\":\"https:\/\/datascientest.com\/es\/que-es-un-dataframe\"},\"author\":{\"name\":\"Daniel\",\"@id\":\"https:\/\/datascientest.com\/es\/#\/schema\/person\/5a86e30c5090234fb43dd8baa83c44b0\"},\"headline\":\"\u00bfQu\u00e9 es un DataFrame?\",\"datePublished\":\"2022-05-27T07:55:31+00:00\",\"dateModified\":\"2023-10-30T16:16:11+00:00\",\"mainEntityOfPage\":{\"@id\":\"https:\/\/datascientest.com\/es\/que-es-un-dataframe\"},\"wordCount\":1614,\"commentCount\":0,\"publisher\":{\"@id\":\"https:\/\/datascientest.com\/es\/#organization\"},\"articleSection\":[\"Data Science\"],\"inLanguage\":\"es\",\"potentialAction\":[{\"@type\":\"CommentAction\",\"name\":\"Comment\",\"target\":[\"https:\/\/datascientest.com\/es\/que-es-un-dataframe#respond\"]}],\"copyrightYear\":\"2022\",\"copyrightHolder\":{\"@id\":\"https:\/\/datascientest.com\/#organization\"}},{\"@type\":\"WebPage\",\"@id\":\"https:\/\/datascientest.com\/es\/que-es-un-dataframe\",\"url\":\"https:\/\/datascientest.com\/es\/que-es-un-dataframe\",\"name\":\"\u00bfQu\u00e9 es un DataFrame? -\",\"isPartOf\":{\"@id\":\"https:\/\/datascientest.com\/es\/#website\"},\"datePublished\":\"2022-05-27T07:55:31+00:00\",\"dateModified\":\"2023-10-30T16:16:11+00:00\",\"description\":\"Un DataFrame es una serie de Series Pandas indexadas por un valor. En este art\u00edculo, presentaremos la estructura de los DataFrames y luego veremos sus diferentes atributos y m\u00e9todos b\u00e1sicos, y explicaremos su utilidad y funcionamiento.\",\"inLanguage\":\"es\",\"potentialAction\":[{\"@type\":\"ReadAction\",\"target\":[\"https:\/\/datascientest.com\/es\/que-es-un-dataframe\"]}]},{\"@type\":\"WebSite\",\"@id\":\"https:\/\/datascientest.com\/es\/#website\",\"url\":\"https:\/\/datascientest.com\/es\/\",\"name\":\"Formaci\u00f3n en ciencia de datos | DataScientest.com\",\"description\":\"L\u00edder en formaci\u00f3n en Ciencia de Datos\",\"publisher\":{\"@id\":\"https:\/\/datascientest.com\/es\/#organization\"},\"potentialAction\":[{\"@type\":\"SearchAction\",\"target\":{\"@type\":\"EntryPoint\",\"urlTemplate\":\"https:\/\/datascientest.com\/es\/?s={search_term_string}\"},\"query-input\":\"required name=search_term_string\"}],\"inLanguage\":\"es\"},{\"@type\":\"Organization\",\"@id\":\"https:\/\/datascientest.com\/es\/#organization\",\"name\":\"DataScientest\",\"url\":\"https:\/\/datascientest.com\/es\/\",\"logo\":{\"@type\":\"ImageObject\",\"inLanguage\":\"es\",\"@id\":\"https:\/\/datascientest.com\/es\/#\/schema\/logo\/image\/\",\"url\":\"https:\/\/datascientest.com\/es\/wp-content\/blogs.dir\/7\/files\/2024\/02\/DataScientest_icon_blue-2.png\",\"contentUrl\":\"https:\/\/datascientest.com\/es\/wp-content\/blogs.dir\/7\/files\/2024\/02\/DataScientest_icon_blue-2.png\",\"width\":301,\"height\":301,\"caption\":\"DataScientest\"},\"image\":{\"@id\":\"https:\/\/datascientest.com\/es\/#\/schema\/logo\/image\/\"},\"sameAs\":[\"https:\/\/www.facebook.com\/DataScientestEN\",\"https:\/\/twitter.com\/DataScientest__\",\"https:\/\/www.linkedin.com\/company\/datascientest-spain\/\",\"https:\/\/www.tiktok.com\/@datascientest\"]},{\"@type\":\"Person\",\"@id\":\"https:\/\/datascientest.com\/es\/#\/schema\/person\/5a86e30c5090234fb43dd8baa83c44b0\",\"name\":\"Daniel\",\"image\":{\"@type\":\"ImageObject\",\"inLanguage\":\"es\",\"@id\":\"https:\/\/datascientest.com\/es\/#\/schema\/person\/image\/\",\"url\":\"https:\/\/secure.gravatar.com\/avatar\/837acad4f2dc47e85d81cce837261670?s=96&d=mm&r=g\",\"contentUrl\":\"https:\/\/secure.gravatar.com\/avatar\/837acad4f2dc47e85d81cce837261670?s=96&d=mm&r=g\",\"caption\":\"Daniel\"},\"sameAs\":[\"https:\/\/www.linkedin.com\/school\/datascientest\/\",\"user\"],\"jobTitle\":\"ing\u00e9nieur logiciel\",\"worksFor\":\"DataScientest\",\"url\":\"https:\/\/datascientest.com\/es\/author\/team-redac\"}]}<\/script>\n<!-- \/ Yoast SEO Premium plugin. -->","yoast_head_json":{"title":"\u00bfQu\u00e9 es un DataFrame? -","description":"Un DataFrame es una serie de Series Pandas indexadas por un valor. En este art\u00edculo, presentaremos la estructura de los DataFrames y luego veremos sus diferentes atributos y m\u00e9todos b\u00e1sicos, y explicaremos su utilidad y funcionamiento.","robots":{"index":"index","follow":"follow","max-snippet":"max-snippet:-1","max-image-preview":"max-image-preview:large","max-video-preview":"max-video-preview:-1"},"canonical":"https:\/\/datascientest.com\/es\/que-es-un-dataframe","og_locale":"es_ES","og_type":"article","og_title":"\u00bfQu\u00e9 es un DataFrame?","og_description":"Pandas es una de las principales librer\u00edas de Python, que es un lenguaje de programaci\u00f3n orientado a objetos de alto nivel muy popular entre los Data","og_url":"https:\/\/datascientest.com\/es\/que-es-un-dataframe","og_site_name":"Formaci\u00f3n en ciencia de datos | DataScientest.com","article_publisher":"https:\/\/www.facebook.com\/DataScientestEN","article_published_time":"2022-05-27T07:55:31+00:00","article_modified_time":"2023-10-30T16:16:11+00:00","og_image":[{"width":4267,"height":2342,"url":"https:\/\/datascientest.com\/es\/wp-content\/blogs.dir\/7\/files\/2021\/11\/DATAFRAME_Plan-de-travail-1.png","type":"image\/png"}],"author":"Daniel","twitter_card":"summary_large_image","twitter_creator":"@DataScientest__","twitter_site":"@DataScientest__","twitter_misc":{"Escrito por":"Daniel","Tiempo de lectura":"7 minutos"},"schema":{"@context":"https:\/\/schema.org","@graph":[{"@type":"Article","@id":"https:\/\/datascientest.com\/es\/que-es-un-dataframe#article","isPartOf":{"@id":"https:\/\/datascientest.com\/es\/que-es-un-dataframe"},"author":{"name":"Daniel","@id":"https:\/\/datascientest.com\/es\/#\/schema\/person\/5a86e30c5090234fb43dd8baa83c44b0"},"headline":"\u00bfQu\u00e9 es un DataFrame?","datePublished":"2022-05-27T07:55:31+00:00","dateModified":"2023-10-30T16:16:11+00:00","mainEntityOfPage":{"@id":"https:\/\/datascientest.com\/es\/que-es-un-dataframe"},"wordCount":1614,"commentCount":0,"publisher":{"@id":"https:\/\/datascientest.com\/es\/#organization"},"articleSection":["Data Science"],"inLanguage":"es","potentialAction":[{"@type":"CommentAction","name":"Comment","target":["https:\/\/datascientest.com\/es\/que-es-un-dataframe#respond"]}],"copyrightYear":"2022","copyrightHolder":{"@id":"https:\/\/datascientest.com\/#organization"}},{"@type":"WebPage","@id":"https:\/\/datascientest.com\/es\/que-es-un-dataframe","url":"https:\/\/datascientest.com\/es\/que-es-un-dataframe","name":"\u00bfQu\u00e9 es un DataFrame? -","isPartOf":{"@id":"https:\/\/datascientest.com\/es\/#website"},"datePublished":"2022-05-27T07:55:31+00:00","dateModified":"2023-10-30T16:16:11+00:00","description":"Un DataFrame es una serie de Series Pandas indexadas por un valor. En este art\u00edculo, presentaremos la estructura de los DataFrames y luego veremos sus diferentes atributos y m\u00e9todos b\u00e1sicos, y explicaremos su utilidad y funcionamiento.","inLanguage":"es","potentialAction":[{"@type":"ReadAction","target":["https:\/\/datascientest.com\/es\/que-es-un-dataframe"]}]},{"@type":"WebSite","@id":"https:\/\/datascientest.com\/es\/#website","url":"https:\/\/datascientest.com\/es\/","name":"Formaci\u00f3n en ciencia de datos | DataScientest.com","description":"L\u00edder en formaci\u00f3n en Ciencia de Datos","publisher":{"@id":"https:\/\/datascientest.com\/es\/#organization"},"potentialAction":[{"@type":"SearchAction","target":{"@type":"EntryPoint","urlTemplate":"https:\/\/datascientest.com\/es\/?s={search_term_string}"},"query-input":"required name=search_term_string"}],"inLanguage":"es"},{"@type":"Organization","@id":"https:\/\/datascientest.com\/es\/#organization","name":"DataScientest","url":"https:\/\/datascientest.com\/es\/","logo":{"@type":"ImageObject","inLanguage":"es","@id":"https:\/\/datascientest.com\/es\/#\/schema\/logo\/image\/","url":"https:\/\/datascientest.com\/es\/wp-content\/blogs.dir\/7\/files\/2024\/02\/DataScientest_icon_blue-2.png","contentUrl":"https:\/\/datascientest.com\/es\/wp-content\/blogs.dir\/7\/files\/2024\/02\/DataScientest_icon_blue-2.png","width":301,"height":301,"caption":"DataScientest"},"image":{"@id":"https:\/\/datascientest.com\/es\/#\/schema\/logo\/image\/"},"sameAs":["https:\/\/www.facebook.com\/DataScientestEN","https:\/\/twitter.com\/DataScientest__","https:\/\/www.linkedin.com\/company\/datascientest-spain\/","https:\/\/www.tiktok.com\/@datascientest"]},{"@type":"Person","@id":"https:\/\/datascientest.com\/es\/#\/schema\/person\/5a86e30c5090234fb43dd8baa83c44b0","name":"Daniel","image":{"@type":"ImageObject","inLanguage":"es","@id":"https:\/\/datascientest.com\/es\/#\/schema\/person\/image\/","url":"https:\/\/secure.gravatar.com\/avatar\/837acad4f2dc47e85d81cce837261670?s=96&d=mm&r=g","contentUrl":"https:\/\/secure.gravatar.com\/avatar\/837acad4f2dc47e85d81cce837261670?s=96&d=mm&r=g","caption":"Daniel"},"sameAs":["https:\/\/www.linkedin.com\/school\/datascientest\/","user"],"jobTitle":"ing\u00e9nieur logiciel","worksFor":"DataScientest","url":"https:\/\/datascientest.com\/es\/author\/team-redac"}]}},"_links":{"self":[{"href":"https:\/\/datascientest.com\/es\/wp-json\/wp\/v2\/posts\/160744"}],"collection":[{"href":"https:\/\/datascientest.com\/es\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/datascientest.com\/es\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/datascientest.com\/es\/wp-json\/wp\/v2\/users\/45"}],"replies":[{"embeddable":true,"href":"https:\/\/datascientest.com\/es\/wp-json\/wp\/v2\/comments?post=160744"}],"version-history":[{"count":0,"href":"https:\/\/datascientest.com\/es\/wp-json\/wp\/v2\/posts\/160744\/revisions"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/datascientest.com\/es\/wp-json\/wp\/v2\/media\/129772"}],"wp:attachment":[{"href":"https:\/\/datascientest.com\/es\/wp-json\/wp\/v2\/media?parent=160744"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/datascientest.com\/es\/wp-json\/wp\/v2\/categories?post=160744"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/datascientest.com\/es\/wp-json\/wp\/v2\/tags?post=160744"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}