Lista a Serie
Convertí una lista en una Serie de pandas. Pista: pd.Series(...). Ejemplo: crear_serie([10, 20, 30]) → una Serie con 10, 20, 30
Entrá y llevá tu progreso —ejercicios, medallas y Pokémon— a cualquier dispositivo. 🔄
Si tu cuenta ya tiene progreso guardado, se carga ese al entrar.
Entraste como . Tu progreso se sincroniza solo. 🔄
Convertí una lista en una Serie de pandas. Pista: pd.Series(...). Ejemplo: crear_serie([10, 20, 30]) → una Serie con 10, 20, 30
🎯 Meta: conocer pandas, la librería estrella para trabajar con tablas de datos (como una Pokédex en Excel, pero con superpoderes).
NumPy maneja números. pandas maneja tablas: filas y columnas con nombres, tipos distintos, datos faltantes. Es la herramienta nº1 del análisis de datos.
import pandas as pd
niveles = pd.Series([25, 90, 12], index=["Pikachu", "Charizard", "Bulbasaur"])
print(niveles)
print("El nivel de Charizard:", niveles["Charizard"])
💡 pandas se importa como pd, siempre. Y por dentro usa NumPy: una Series es un array con etiquetas.
P: ¿Qué diferencia hay entre una `Series` y un `DataFrame` en pandas?
- Una Series tiene etiquetas; un DataFrame no.
+ Una Series es una columna; un DataFrame es una tabla con muchas columnas.
- Son lo mismo, solo cambia el nombre.
> Una `Series` es una sola columna con etiquetas. Un `DataFrame` agrupa muchas Series en una tabla completa (como una Pokédex).
Lo más común: desde un diccionario donde cada clave es una columna.
import pandas as pd
pokedex = pd.DataFrame({
"nombre": ["Pikachu", "Charizard", "Bulbasaur", "Snorlax"],
"nivel": [25, 90, 12, 70],
"tipo": ["Eléctrico", "Fuego", "Planta", "Normal"],
})
print(pokedex)
Antes de analizar, siempre mirás los datos: las primeras filas, info, estadísticas.
import pandas as pd
pokedex = pd.DataFrame({
"nombre": ["Pikachu", "Charizard", "Bulbasaur", "Snorlax"],
"nivel": [25, 90, 12, 70],
})
print(pokedex.head(2)) # las primeras 2 filas
print("filas, columnas:", pokedex.shape)
print(pokedex.describe()) # min, max, promedio, etc. de las columnas numéricas
💡 .head(), .info() y .describe() son lo primero que corre todo analista al abrir un dataset nuevo.
Accedés a una columna con corchetes y su nombre. Te devuelve una Series.
import pandas as pd
pokedex = pd.DataFrame({
"nombre": ["Pikachu", "Charizard"],
"nivel": [25, 90],
})
print(pokedex["nivel"]) # la columna
print(pokedex["nivel"].mean()) # promedio de la columna
print(list(pokedex.columns)) # nombres de columnas
P: ¿Qué devuelve `pokedex.shape` si el DataFrame tiene 4 Pokémon y 3 columnas?
- `(3, 4)`
- `12`
+ `(4, 3)`
> `.shape` devuelve `(filas, columnas)`. Primero las filas, después las columnas.
import pandas as pd
pokedex = pd.DataFrame({"nombre": ["Pikachu", "Charizard"], "nivel": [25, 90]})
pokedex["hp"] = [35, 78] # columna nueva
print(pokedex)
| Cosa | Para qué |
|---|---|
pd.Series(datos, index=...) | una columna con etiquetas |
pd.DataFrame({...}) | una tabla (desde un dict de columnas) |
df.head(n) | primeras n filas |
df.shape | (filas, columnas) |
df.describe() | estadísticas de las columnas numéricas |
df["col"] | una columna (Series) |
df["nueva"] = [...] | agregar columna |
Practicá con los ejercicios de este tema. 💪
⚡ “Una buena Pokédex ordena el mundo. Un buen DataFrame, los datos.”