Nivel 2 · ¿Qué tamaño tiene la tabla?

Filas y columnas

Antes de cualquier análisis, comprueba el tamaño de lo que tienes:

order_items.shape        # (rows, columns)
order_items.shape[0]     # number of rows
order_items.shape[1]     # number of columns
len(order_items)         # number of rows, the most common way to write it

shape es un atributo, no un método, así que no lleva paréntesis. Es una tupla, que indexas como una lista.

El número de filas es tu primera comprobación de sentido. Si el negocio dice «unas 30,000 líneas de pedido» y ves 3,000 o 300,000, detente y averigua por qué antes de seguir. Quizá el archivo se truncó, quizá cargaste la tabla equivocada, quizá la cifra del negocio está desactualizada. Cualquiera de esas cosas conviene saberla.

Nombres de columna

order_items.columns
# Index(['order_item_id', 'order_id', 'product_id', 'quantity',
#        'unit_price', 'discount_pct'], dtype='object')

list(order_items.columns)   # as a plain list

Los nombres de columna distinguen mayúsculas y minúsculas y deben coincidir exactamente, así que conviene mirarlos antes de escribirlos en el código.

Tipos con dtypes e info

Cada columna tiene un dtype (tipo de dato). Los que más verás:

dtype	contiene
int64	números enteros
float64	decimales, y enteros en una columna con valores que faltan
bool	True / False
object	texto (y cualquier mezcla)
datetime64[ns]	fechas y horas, una vez convertidas

order_items.dtypes

info() lo reúne todo en una sola vista: número de filas, el conteo de valores no nulos y el dtype de cada columna, y el uso de memoria.

customers.info()

RangeIndex: 2018 entries, 0 to 2017
Data columns (total 9 columns):
 #   Column           Non-Null Count  Dtype
---  ------           --------------  -----
 0   customer_id      2018 non-null   int64
 ...
 4   city             2004 non-null   object
 ...
 8   referral_source  1352 non-null   object

Dos descubrimientos de un vistazo: algunos clientes no tienen ciudad, y alrededor de un tercio no tiene fuente de referencia. info() imprime su informe en lugar de devolver un valor, así que úsalo para mirar, no para guardar.

Los tipos te hablan de los datos

Los tipos suelen revelar problemas antes de que los veas en las filas. En web_sessions, customer_id es float64 en lugar de int64. ¿Por qué un ID sería un decimal? Porque algunas sesiones son anónimas, y una columna de enteros clásica de NumPy no puede contener valores que faltan, así que pandas guarda la columna como floats con NaN. De forma parecida, order_date muestra datetime64[ns] solo porque las tablas de aquí se cargaron con pd.read_csv(..., parse_dates=[...]). Los archivos CSV no llevan tipos, así que un read_csv simple dejaría las fechas como texto object. Detectarlo pronto te ahorra errores confusos después.

Otras comprobaciones rápidas

order_items["order_id"].nunique()   # distinct orders that have lines
order_items.isna().sum()            # missing values per column

Errores comunes

• Escribir order_items.shape() con paréntesis: TypeError: 'tuple' object is not callable.
• Guardar order_items.info() en una variable. Imprime y devuelve None.
• Usar order_items.size para el número de filas. size es filas por columnas.