Nivel 7 · Depuración: ¿60 departamentos para 60 personas?

count, nunique y value_counts

Tres métodos suenan parecido y responden a preguntas distintas sobre una columna:

employees["department"].count()          # 60  non-missing values (one per row here)
employees["department"].nunique()        # 9   distinct values
employees["department"].value_counts()   # how many rows have each value

count() trata de filas: cuántas celdas de la columna están rellenas. Como cada empleado tiene un departamento, es igual al número de empleados. nunique() trata de valores: cuenta cada departamento distinto una vez, sea cual sea el número de personas que tenga. value_counts() da el detalle detrás de nunique(): una línea por departamento con su número de filas, con Sales y Customer Support arriba con 9 personas cada uno, hasta Executive con 2.

Leer un número sospechoso

La CEO descubrió este error sin mirar el código: un número igual al número de filas es una señal clásica de que algo contó filas en lugar de valores. Siempre que una respuesta de «cuántos distintos» sale exactamente igual a len(df), revisa el método. Las cifras reales son 9 departamentos y 31 cargos.

Los dos conteos también cuentan una historia juntos. Nueve departamentos pero 31 cargos significa que la mayoría de los departamentos tienen varios puestos: la jefatura del departamento, líderes y personal. Si los números hubieran sido 9 y 9, eso sugeriría un cargo por departamento, que no es cómo está organizada esta empresa.

Cuando count y nunique coinciden

En una columna de IDs, como employees["employee_id"], count() y nunique() dan ambos 60, porque cada fila tiene un ID distinto. Es una comprobación útil de que una columna clave es de verdad única: compara nunique() con len(df). Si difieren, hay duplicados.

count() sigue siendo útil por sí solo. En una columna con huecos te dice cuántas celdas están rellenas: employees["manager_id"].count() es 59, porque el CEO no tiene jefe.

Errores comunes

• Usar count() o len() cuando la pregunta dice «cuántos distintos».
• Usar len(df["department"].unique()). Funciona, pero nunique() dice lo que quieres decir y omite por defecto los valores que faltan, que suele ser lo que quiere un informe.
• Leer al revés la longitud de value_counts() y la suma de value_counts(): la longitud es el número de departamentos (9), la suma es el número de empleados (60).