Nivel 1 · Tu primer DataFrame

Qué es un DataFrame

Un DataFrame es una tabla: filas de registros, columnas con nombre y una etiqueta para cada fila. Si has usado una hoja de cálculo, ya conoces la forma. La diferencia es que trabajas con él en código, así que cada paso queda escrito, es repetible y rápido con millones de filas.

Cada columna de un DataFrame es una Series: una sola columna de valores con un único tipo de dato, como todos enteros o todo texto. Te encontrarás con las Series constantemente, porque seleccionar una columna, añadir una columna o resumir una columna producen una.

A la izquierda de todo DataFrame está el índice, las etiquetas de las filas. Cuando una tabla se carga desde un archivo CSV, el índice es simplemente 0, 1, 2, y así sucesivamente. No es una de las columnas; es la dirección de la fila. Lo verás cambiar cuando filtres u ordenes, lo cual importa más adelante.

Mirar los datos

Nunca imprimes una tabla de 12,000 filas para leerla. Miras un trozo:

orders.head()        # first 5 rows
orders.head(10)      # first 10 rows
orders.tail(3)       # last 3 rows
orders.sample(5, random_state=1)   # 5 random rows, the same 5 every time

head te muestra cómo empiezan los datos, que en los pedidos significa los registros más antiguos. tail muestra los más nuevos. sample es la mejor forma de ver filas «típicas», ya que el comienzo de un archivo suele ser especial (pedidos de prueba, datos tempranos). random_state fija la aleatoriedad para que tú y un compañero veáis las mismas filas.

Estos métodos devuelven un DataFrame nuevo; no cambian orders. Eso ocurre con casi todos los métodos de pandas: recibes un resultado y lo guardas en una variable si quieres conservarlo.

Leer la tabla de pedidos

Las primeras filas de orders se ven así:

	order_id	customer_id	order_date	status	channel	shipping_fee	coupon_code
0	1001	125	2023-01-01 20:51:19	completed	web	0.00	NaN
1	1002	156	2023-01-02 07:58:46	completed	web	0.00	NaN
2	1003	22	2023-01-02 10:25:27	completed	marketplace	4.99	WELCOME10

Hay varias cosas que notar enseguida:

• Cada fila es un pedido, identificado por order_id. Saber qué representa una fila (la granularidad de la tabla) es el dato más importante de cualquier tabla.
• customer_id vincula cada pedido con una fila de customers. Los unirás con un join en el capítulo 7.
• coupon_code muestra NaN donde no se usó cupón. NaN (not a number) es como pandas marca un valor que falta.
• order_date contiene una fecha y una hora. Se interpretó como un datetime real al cargar la tabla, así que puedes extraer años y meses. Lo harás en el capítulo de limpieza.

Mostrar resultados

En este juego, el valor de result es lo que se comprueba, y se muestra como una tabla debajo del editor. En un notebook de Jupyter, la última expresión de una celda se muestra automáticamente, así que verás a menudo a los analistas escribir solo orders.head() en una línea.

Errores comunes

• Escribir orders.head sin paréntesis. Eso es el método en sí, no su resultado, y pandas muestra algo como <bound method NDFrame.head ...>.
• Tratar el índice como el ID del pedido. Aquí casualmente avanzan juntos, pero tras un filtro o una ordenación ya no lo harán.
• Suponer que las primeras filas son representativas. Mira siempre también una muestra.