Python para Análisis de Datos con Pandas: Guía Práctica

¿Qué es Pandas y por qué es tan popular?

Pandas es una librería de código abierto que proporciona estructuras de datos de alto rendimiento y herramientas de análisis para Python. Es la herramienta más utilizada en ciencia de datos y análisis.

Instalación y Configuración

pip install pandas numpy matplotlib

Estructuras de Datos Fundamentales

Series

import pandas as pd

# Crear una Series
edades = pd.Series([25, 30, 35, 28, 42], name="edades")
print(edades.describe())

DataFrame

datos = {
    "nombre": ["Ana", "Carlos", "María", "Pedro"],
    "edad": [25, 30, 28, 35],
    "ciudad": ["Bogotá", "Medellín", "Cali", "Barranquilla"]
}
df = pd.DataFrame(datos)
print(df)

Importación de Datos

# Desde CSV
df = pd.read_csv("datos.csv")

# Desde Excel
df = pd.read_excel("datos.xlsx")

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

# Desde una base de datos SQL
import sqlite3
conn = sqlite3.connect("mi_base.db")
df = pd.read_sql("SELECT * FROM usuarios", conn)

Limpieza de Datos

# Verificar valores nulos
print(df.isnull().sum())

# Eliminar filas con valores nulos
df_limpio = df.dropna()

# Rellenar valores nulos
df["edad"] = df["edad"].fillna(df["edad"].mean())

# Eliminar duplicados
df = df.drop_duplicates()

Filtrado y Selección

# Filtrar por condición
mayores_30 = df[df["edad"] > 30]

# Múltiples condiciones
resultado = df[(df["edad"] > 25) & (df["ciudad"] == "Bogotá")]

# Seleccionar columnas específicas
subset = df[["nombre", "edad"]]

Agrupación y Agregación

# Agrupar por ciudad y calcular estadísticas
resumen = df.groupby("ciudad").agg({
    "edad": ["mean", "min", "max", "count"]
})
print(resumen)

Conclusión

Pandas es una herramienta indispensable para cualquier persona que trabaje con datos. Su curva de aprendizaje es suave y sus posibilidades son prácticamente infinitas.