Cómo filtra filas una máscara booleana

La idea

Un filtro de pandas no es un bucle ni una búsqueda. Son dos pasos. Primero, una comparación sobre una columna produce una máscara: una columna de True y False, un valor por fila. Luego los corchetes conservan las filas donde la máscara dice True.

Ese es todo el mecanismo. orders[orders['channel'] == 'marketplace'] se lee raro la primera vez porque orders aparece dos veces. El de dentro construye la máscara, el de fuera la aplica. Cuando ves la máscara como una cosa en sí misma, puedes ponerle nombre, imprimirla, contarla y combinarla con otras.

Por qué existe

En Python a secas escribirías un bucle con un if y un append. Funciona, y son cinco líneas para una pregunta de una línea. La máscara hace toda la tabla de una vez, como las operaciones vectorizadas de los Fundamentos: la comparación se ejecuta para cada fila en código compilado, y el resultado encaja con la tabla porque lleva el mismo índice.

También convierte el filtrado en algo que se puede componer. Una condición es un valor. Puedes guardarla en una variable, combinar dos con &, invertir una con ~ o promediarla. orders['shipping_fee'] > 0 tiene una media, y esa media es la proporción de pedidos que pagaron envío, porque True cuenta como 1 y False como 0. Ese truco responde todas las preguntas de "qué porcentaje de..." del desafío final.

Cómo funciona por dentro

Comparación y luego selección

==, !=, >, >=, < y <= comparan una columna con un solo valor o con otra columna de la misma longitud, y devuelven una máscara. isin(['web', 'app']) es la máscara para "es uno de estos", between(10, 50) para "dentro de un rango, extremos incluidos", y str.contains('lamp') para texto. Los valores que faltan comparan como False, así que NaN > 5 es False y la fila queda fuera. Una comparación nunca cambia la tabla: solo los corchetes crean una nueva.

Combinar máscaras

and, or y not de Python funcionan con valores True/False sueltos, no con columnas. Para máscaras usa &, | y ~, y pon cada condición entre paréntesis.

& es "y": todas las condiciones deben cumplirse, así que cada una estrecha el resultado. | es "o": basta con una, así que cada una lo ensancha. Un "o" que querías como "y" es el error clásico: (status == 'cancelled') | (status == 'refunded') son los pedidos perdidos, mientras que & entre ellas no devuelve nada, porque ningún pedido tiene dos estados a la vez. Para "uno de estos valores", isin es más claro que una cadena de |.

Etiquetas frente a posiciones

Cada fila tiene una etiqueta (el índice) y una posición (0, 1, 2 desde arriba). .loc selecciona por etiqueta e .iloc por posición. En una tabla recién cargada son los mismos números, y por eso la gente los confunde. Tras un filtro o una ordenación se separan: la primera fila del resultado tiene posición 0 y puede llevar la etiqueta 2. .loc también acepta una máscara y nombres de columna a la vez, orders.loc[mask, ['order_id', 'channel']], y a diferencia de iloc, sus slices incluyen la etiqueta final. Cuando quieras etiquetas nuevas 0, 1, 2, usa reset_index(drop=True).

Ordenar

sort_values('shipping_fee', ascending=False) reordena las filas por una columna, o por varias: sort_values(['channel', 'shipping_fee'], ascending=[True, False]). Las columnas posteriores desempatan las anteriores, y eso hace que un "top 10" sea igual en cada ejecución. Las etiquetas viajan con las filas, así que una tabla ordenada tiene un índice en desorden hasta que lo reinicias. head(10) tras la ordenación toma los diez primeros, y nlargest es un atajo para eso.

Constrúyelo por piezas y comprueba la cuenta

Un filtro largo es más fácil de creer cuando lo armas con máscaras con nombre: is_web = orders['channel'] == 'web', paid_ship = orders['shipping_fee'] > 0, y luego orders[is_web & paid_ship]. Cada nombre dice qué significa, y puedes probar una a una. Dos comprobaciones rápidas atrapan la mayoría de los errores. mask.sum() cuenta las filas que coinciden, porque cada True vale 1, y len(orders[mask]) debería coincidir. Si un filtro devuelve cero filas, mira las piezas por separado: una suele estar escrita contra un valor que no existe, como 'Web' en vez de 'web'.

Primero filtra, luego pregunta

Filtrar rara vez es la respuesta. Es el paso previo a una. "Cesta media de los pedidos web completados" es un filtro seguido de una media. "Qué pedidos de marketplace pagaron el envío más alto" es un filtro seguido de una ordenación y head. Mantenerlos separados, máscara primero y pregunta después, te deja revisar la tabla filtrada a ojo antes de calcular el número que reportas. Si la tabla filtrada se ve mal, el número saldrá mal por muy limpia que esté la última línea.

Errores comunes

"Filtrar cambia el DataFrame"

No lo cambia. orders[mask] devuelve un DataFrame nuevo y deja orders como estaba. Si quieres conservar la tabla filtrada, asígnala: marketplace = orders[mask]. Esto también explica por qué un filtro que ejecutaste hace una hora "no hizo nada" a tu original. Miraste un resultado y nunca lo guardaste.

"Puedo escribir una condición con and / or"

orders['a'] > 1 and orders['b'] < 5 lanza "the truth value of a Series is ambiguous", porque Python pregunta "¿esta columna entera es True?" y una columna tiene muchos valores. Usa & y | con paréntesis. El texto del error suena profundo y la causa es solo el operador.

"La primera fila de un resultado es la fila 0"

Solo en una tabla recién cargada. Después de un filtro es la primera fila que sobrevivió, con su etiqueta original, así que result.loc[0] puede fallar con un KeyError mientras result.iloc[0] funciona. Si solo necesitas las filas y no las etiquetas viejas, llama a reset_index(drop=True) y los dos vuelven a coincidir.