Pandas, una librería para manejo de datos en Python

Pandas es una herramienta de análisis y manipulación de datos de código abierto rápida, potente, flexible y fácil de usar, construida sobre el lenguaje de programación Python.

Instalando:

$ pip install pandas

Nota: También puedes instalarlo usando Anacaconda.

Verificar instalación:

$ pip list

Al ejecutar este comando veremos las librerías y paquetes instalados.

Otra forma de validar la instalación es entrando al Repl de Python:

$ py
>>> import pandas as pd
>>> 
>>> exit()

Si no sale error, entonces la instalación fue correcta.

¿Qué se puede hacer con Pandas?

1. Estructuras de datos principales.

Pandas ofrece dos estructuras fundamentales:

Series: Una columna unidimensional, similar a un array, pero con índices personalizables. 

DataFrame: Una tabla bidimensional (filas y columnas), como una hoja de cálculo o una tabla SQL.

2. Carga y almacenamiento de datos.

Leer datos desde múltiples formatos:

CSV:

pd.read_csv('archivo.csv')

Excel:

pd.read_excel('archivo.xlsx')

JSON, SQL, Parquet, HDF5, entre otros. 

Guardar datos en los mismos formatos:

df.to_csv('archivo.csv')
df.to_excel('archivo.xlsx')

3. Manipulación de datos.

Selección y filtrado: Seleccionar columnas:

df['columna'] 
df[['col1', 'col2']]

Filtrar filas:

df[df['columna'] > valor].

Usar loc y iloc para acceder por etiquetas o índices. 

Limpieza de datos:

Manejar valores nulos:

df.dropna()
df.fillna(valor)

Eliminar duplicados:

df.drop_duplicates()

Reemplazar valores:

df.replace(antiguo, nuevo)

Transformación: 

Cambiar tipos de datos:

df['columna'].astype(tipo)

Aplicar funciones:

df['columna'].apply(funcion)

Reorganizar datos:

df.pivot()
df.melt()

4. Análisis de datos.

Estadísticas descriptivas:

Resumen:

df.describe()

Media, mediana, etc.:

df.mean()
df.median()

Agrupaciones: 

Agrupar datos:

df.groupby('columna').sum().

Agregaciones personalizadas:

df.groupby('columna').agg({'col2': 'mean', 'col3': 'count'})

Unión y combinación: 

Unir DataFrames:

pd.merge(df1, df2, on='columna')

Concatenar:

pd.concat([df1, df2])

5. Visualización y exploración.

Integración con Matplotlib o Seaborn para gráficos:

df.plot(kind='bar')
df.hist()

. 

Explorar datos:

df.head()
df.tail()
df.info()

6. Manejo de series temporales.

Trabajar con fechas:

pd.to_datetime(df['columna'])

Indexación temporal:

df.set_index('fecha')

Resampling:

df.resample('M').mean() 

(por ejemplo, para datos mensuales).

7. Automatización y eficiencia.

Procesar grandes conjuntos de datos de manera eficiente con métodos vectorizados. Crear flujos de trabajo para limpieza, transformación y análisis automatizados.

Veamos un ejemplo de uso.

ejemplo.py

import pandas as pd

# Crear un DataFrame
data = {'nombre': ['Ana', 'Bob', 'Clara'], 'edad': [25, 30, 22]}
df = pd.DataFrame(data)

# Filtrar mayores de 24 años
df_filtrado = df[df['edad'] > 24]

# Guardar en CSV
df_filtrado.to_csv('resultado.csv')
print(df_filtrado)

Ejecutamos:

$ py ejemplo.py

Salida:

  nombre  edad
0    Ana    25
1    Bob    30

Generará un archivo CSV con el nombre de ``resultado.csv``.

En conclusión, Pandas es ideal para trabajar con datos tabulares y es ampliamente usado en ciencia de datos, finanzas, marketing, y más.

Enlaces:

https://pandas.pydata.org/