DataFrame: Guía Completa 2024

Función de los DataFrames

La función principal de los DataFrames es manipular y organizar información de manera clara, eficiente y accesible. Sin duda, sin estructuras importantes en el análisis de datos en Python. Pero, exactamente, ¿Qué otras funciones tienen? 

Organización estructurada de datos

Un DataFrame sirve para organizar datos de forma tabular, similar a una hoja de cálculo con el fin de que los datos se almacenen en filas y columnas para mejorar su lectura y manipulación. Además, soportan distintos tipos de datos en sus columnas, lo que los convierte en una herramienta flexible para trabajar con datos heterogéneos.

Manipulación y transformación de datos

Permiten aplicar funciones matemáticas, realizar análisis estadísticos o transformar datos en un formato más adecuado para el análisis. Esto es esencial para trabajar con grandes volúmenes de datos, ya que hace que los procesos de limpieza y análisis sean más eficientes.

Integración con bibliotecas de análisis

Los DataFrames se integran perfectamente con otras bibliotecas populares de análisis de datos, como NumPy, Matplotlib y Seaborn. Esto amplía su utilidad porque pueden crear visualizaciones gráficas, realizar cálculos numéricos avanzados y desarrollar modelos estadísticos sobre los datos almacenados.

Manejo de datos faltantes

Con métodos como fillna () para rellenar valores nulos o dropna () para eliminar filas o columnas con valores ausentes, facilitan la limpieza de datos. Indudablemente, es perfecto en el análisis de datos porque los datos faltantes distorsionan los resultados si no se gestionan correctamente.

Fusión y combinación de conjuntos de datos

Otra función esencial es la capacidad de combinar y fusionar múltiples conjuntos de datos utilizando métodos como merge (), join () o concat () para unir diferentes fuentes de datos en una sola estructura, potenciando el análisis en casos donde los datos están dispersos en varios archivos o bases de datos.

DataFrame vs Dataset

Los términos DataFrame y Dataset son comunes en el ámbito de la ciencia de datos y la programación. Sin embargo, tienen diferencias relevantes en la estructura y funcionalidad, y tú debes saber cuáles son. 

Escalabilidad

La principal diferencia entre un DataFrame y un Dataset radica en su capacidad de manejar grandes volúmenes de datos. Los DataFrames están diseñados para trabajar en memoria y son ideales para conjuntos de datos pequeños o moderados que pueden procesarse en una sola máquina. Pero, a medida que los datos crecen, se vuelven ineficientes en términos de uso de memoria y tiempo de procesamiento. Por otro lado, los Datasets están optimizados para funcionar en entornos distribuidos como Apache Spark, donde los datos se procesan en múltiples nodos de forma paralela, permitiendo el manejo de grandes volúmenes de información sin sacrificar el rendimiento.

Uso común

Los DataFrames son ampliamente utilizados en bibliotecas de análisis de datos como Pandas en Python o R debido a su simplicidad y versatilidad. Son la opción preferida para manipular, limpiar y transformar datos tabulares con facilidad. En cambio, los Datasets son más comunes en entornos distribuidos como Apache Spark, donde el objetivo es procesar datos a gran escala. Los Datasets en Spark combinan la simplicidad de un DataFrame con las ventajas de un RDD (Resilient Distributed Dataset), lo que los convierte en una herramienta poderosa para manejar grandes cantidades de datos distribuidos en clústeres.

Flexibilidad de datos

En un DataFrame, cada columna contiene datos de un tipo diferente, como números, cadenas o booleanos, y así es sencillo trabajar con datos heterogéneos de manera eficiente. Los Datasets, por otro lado, requieren que los datos sean más estructurados y dan paso a una mejor optimización al procesar tipos de datos homogéneos. Esta estructuración es clave para mejorar el rendimiento en entornos distribuidos.

Optimización y control

Los Datasets son capaces de utilizar técnicas como Catalyst Optimizer en Apache Spark, que mejora automáticamente el rendimiento de las consultas distribuidas. Además, permiten a los usuarios un mayor control sobre las operaciones que se realizan, ya que combinan las ventajas de las APIs basadas en objetos con la optimización automática del procesamiento distribuido. Los DataFrames, aunque eficientes en términos de manipulación de datos, no proporcionan el mismo nivel de control y optimización, especialmente cuando se trata de grandes volúmenes de datos.

Tolerancia a fallos

Cuando se procesan datos en un clúster distribuido, pueden producirse fallos en los nodos, y los Datasets se recuperan automáticamente sin pérdida de datos, gracias a su integración con Apache Spark y su capacidad de recomputar partes perdidas del procesamiento. Los DataFrames, al estar destinados a un uso más local en memoria, no tienen este nivel de tolerancia a fallos, siendo menos adecuados para entornos críticos que requieren alta disponibilidad y resiliencia.

Pasos para la creación de DataFrames en Python

Ahora que conoces qué son exactamente y cuáles son sus funciones, estemos paso a la explicación de los pasos para la creación de DataFrames en Python. ¡Es fácil! 

Importar Pandas

Para comenzar, es necesario importar la biblioteca Pandas. Esto se realiza con la siguiente instrucción:
import pandas as pd
Con esto, puedes usar Pandas en tu código.

Crear un DataFrame desde un diccionario

Una de las formas más comunes de crear un DataFrame es a partir de un diccionario de datos:
data = {'Columna1': [1, 2, 3], 'Columna2': [4, 5, 6]}
df = pd.DataFrame(data)
Esto genera un DataFrame con dos columnas, "Columna1" y "Columna2".

Crear un DataFrame desde una lista de listas

Otra opción es crear un DataFrame a partir de una lista de listas, especificando los nombres de las columnas:
data = [[1, 4], [2, 5], [3, 6]]
df = pd.DataFrame(data, columns=['Columna1', 'Columna2'])
Aquí, creas un DataFrame donde cada sublista representa una fila.

Crear un DataFrame desde un archivo CSV

También puedes crear un DataFrame leyendo datos desde un archivo CSV:
df = pd.read_csv('archivo.csv')
Este método es útil para trabajar con grandes conjuntos de datos almacenados en archivos.

Crear un DataFrame desde un archivo Excel

Si prefieres trabajar con archivos de Excel, Pandas ofrece una forma sencilla de leer estos archivos y convertirlos en DataFrames:
df = pd.read_excel('archivo.xlsx')
Esto importa los datos desde un archivo Excel directamente a un DataFrame.

Personalizar el índice del DataFrame

Para definir un índice específico en lugar del índice numérico predeterminado, puedes usar el parámetro index:
data = {'Columna1': [1, 2, 3], 'Columna2': [4, 5, 6]}
df = pd.DataFrame(data, index=['A', 'B', 'C'])
Esto asigna etiquetas "A", "B" y "C" a las filas del DataFrame.

Pasos para la creación de DataFrames en programación R

Ahora bien, para trabajar con datos en R, los DataFrames son una estructura elemental. A continuación, te diremos cuáles son los pasos básicos para crearlos y manipularlos en este lenguaje de programación.

Crear un DataFrame desde vectores

En R, los DataFrames pueden crearse fácilmente combinando varios vectores. Cada vector representa una columna en el DataFrame. Para hacerlo, utiliza la función data.frame(). Ejemplo:
# Creación de un DataFrame
nombre <- c("Ana", "Luis", "María")
edad <- c(23, 28, 31)
df <- data.frame(Nombre=nombre, Edad=edad)
print(df)

Importar datos externos como DataFrame

Puedes importar archivos externos, como CSV, directamente en un DataFrame usando funciones como read.csv(). Esto es útil para manejar grandes volúmenes de datos. Ejemplo:
# Importar archivo CSV como DataFrame
df <- read.csv("ruta_del_archivo.csv")
head(df)

Crear un DataFrame con datos manuales

Otra forma de crear DataFrames es escribiendo directamente los datos en la función data.frame(). Ejemplo:
# Creación directa de un DataFrame
df <- data.frame(
  Nombre = c("Carlos", "Ana"),
  Edad = c(30, 25),
  Ciudad = c("Madrid", "Barcelona")
)
print(df)
Revisar y modificar el DataFrame
Una vez creado el DataFrame, puedes revisar su estructura con str() y modificar columnas o filas según sea necesario. Ejemplo:
# Revisar la estructura
str(df)
# Añadir una columna nueva
df$Salario <- c(3000, 2500)

¿Cómo visualizar un DataFrame?

Visualizar un DataFrame en R es esencial para comprender y analizar los datos que contiene. Presta atención que aquí te presentaremos varias maneras efectivas de hacerlo, junto con las razones por las que cada método es útil.

Usar la función print()

La forma más básica de visualizar un DataFrame es mediante la función print(). Esta función te permite ver el contenido del DataFrame en la consola, mostrando todas las filas y columnas.

Usar head() y tail()

Logra una vista rápida del inicio o el final de un DataFrame, puedes usar las funciones head() y tail(). head(df) muestra las primeras seis filas, mientras que tail(df) muestra las últimas seis.

Utilizar View()

La función View() abre el DataFrame en una ventana separada dentro del entorno de RStudio, lo que facilita la visualización y navegación.

Resumir datos con summary()

Para obtener una visión general de las estadísticas descriptivas de las columnas del DataFrame, emplea la función summary() que muestra estadísticas como el mínimo, máximo, media y cuartiles para columnas numéricas.

Gráficos con ggplot2

Para visualizaciones más complejas y atractivas, usa la biblioteca ggplot2 para generar gráficos a partir de los datos en el DataFrame, mejorando el análisis visual.

¿Cómo saber si es un DataFrame?

Determinar si una variable en R es un DataFrame, no es tan difícil como parece. Hazlo de esta manera:

Uso de la función class()

La función class() es una de las formas más directas para verificar el tipo de una variable. Al pasarle tu objeto, te devolverá el tipo o la clase del objeto. Si el resultado incluye "data.frame", entonces tienes un DataFrame.

Uso de la función is.data.frame()

Otra forma muy efectiva es utilizar la función is.data.frame(), que devuelve un valor booleano (TRUE o FALSE). Esta función evalúa directamente si el objeto especificado es un DataFrame.

Estructura y características del DataFrame

Los DataFrames tienen características específicas que puedes observar. Por ejemplo, son una colección de vectores de longitud igual, donde cada vector representa una columna, y cada columna puede contener diferentes tipos de datos (números, caracteres, factores, etc.).
Para ver una descripción más detallada de la estructura, usa la función str(). Esto no solo te dirá si es un DataFrame, sino que también te mostrará el tipo de datos en cada columna.

Comprobación de las dimensiones

Los DataFrames también tienen dimensiones, que es posible verificar usando la función dim(). Un DataFrame siempre tendrá dos dimensiones: el número de filas y el número de columnas. Si un objeto tiene dos dimensiones y su estructura es adecuada, es un buen indicativo de que se trata de un DataFrame.

Ejemplos de DataFrame 

Está más que claro que los DataFrames son estructuras de datos versátiles y poderosas en Python, especialmente con la biblioteca Pandas. Estos ejemplos te harán ver todo de forma más clara: 
Ejemplo 1: Creación de un DataFrame desde un diccionario
import pandas as pd
data = {
    'Nombre': ['Ana', 'Luis', 'Pedro'],
    'Edad': [28, 34, 29],
    'Ciudad': ['Madrid', 'Barcelona', 'Valencia']
}
df = pd.DataFrame(data)
print(df)
Este código crea un DataFrame a partir de un diccionario, donde las claves se convierten en los nombres de las columnas y los valores en las filas correspondientes.
Ejemplo 2: Carga de datos desde un archivo CSV
df = pd.read_csv('datos.csv')
print(df.head())
Aquí, el DataFrame se genera leyendo un archivo CSV. La función head() permite visualizar las primeras filas del DataFrame.
Ejemplo 3: Filtrado de datos
df_mayores = df[df['Edad'] > 30]
print(df_mayores)
Este ejemplo muestra cómo filtrar el DataFrame para mostrar solo las filas donde la edad es mayor a 30.

Aprende más sobre el uso de DataFrame en EBIS 

Nuestro Máster en Data Science e Inteligencia Artificial está diseñado para ofrecerte una formación completa, combinando teoría y práctica actualizada para que te conviertas en un experto y destaques ante las exigencias del mercado laboral. Contenido desarrollado por expertos en el área en colaboración con Microsoft y respaldado por nuestra escuela de negocios y la Universidad de Vitoria-Gasteiz.
En EBIS te garantizamos que la actualización constante de este programa te equipará con las habilidades necesarias para enfrentar los desafíos del mundo actual. Aprendizaje flexible en modalidades online para que aprendas a tu propio ritmo sin importar donde te encuentres. Además de la interacción continua con otros estudiantes, profesionales y empresas para afianzar tu experiencia y mejorar tus conocimientos.
¡No dejes pasar la oportunidad! Da el primer paso hacia un futuro exitoso en el campo de la ciencia de datos y la inteligencia artificial. Inscríbete en nuestro Máster en Data Science e Inteligencia Artificial y comienza a dominar el mundo de las nuevas tecnologías. ¡Te esperamos! 

Conclusión 

Para cerrar este recorrido por el DataFrame, es evidente que esta herramienta se ha convertido en una pieza clave para quienes manejan grandes volúmenes de datos. Más allá de ser simplemente una estructura organizada, es una ventana a un análisis más eficiente, intuitivo y rápido. En un entorno donde la toma de decisiones depende cada vez más de datos precisos, dominar su uso es prácticamente indispensable.
Pero no se trata solo de saber utilizarlo, sino de aprovecharlo al máximo para optimizar procesos y sacar conclusiones más acertadas. En el futuro, la capacidad para manejar, interpretar y estructurar información a través de un DataFrame será un diferencial clave en cualquier ámbito profesional. Entonces, ¿estás listo para convertir los datos en tu mayor fortaleza? ¡Comienza ya!