Procesamiento de DataFrames: filtrado, ordenación y agrupación

Al finalizar este tema

Podrá extraer datos de un DataFrame de pandas mediante condiciones, ordenarlos y realizar agregaciones por grupos.

Preparación de los datos

python

import pandas as pd

df = pd.DataFrame({
    "nombre": ["Ana", "Luis", "Pablo", "Carmen", "Sofía"],
    "departamento": ["Desarrollo", "Marketing", "Desarrollo", "Marketing", "Desarrollo"],
    "edad": [30, 25, 35, 28, 32],
    "salario": [5000, 3500, 6000, 4000, 5500]
})

Con esta tabla de cinco filas, podrás aprender todas las técnicas clave.

Selección de columnas

python

# Una columna — devuelve una Serie
df["nombre"]

# Varias columnas — devuelve un DataFrame
df[["nombre", "salario"]]

# Añadir una columna
df["salario_neto"] = df["salario"] * 0.85

# Eliminar una columna
df = df.drop(columns=["salario_neto"])

Preste atención a la diferencia entre un solo corchete (df["nombre"]) y doble corchete (df[["nombre", "salario"]]). Un solo corchete devuelve una Serie, y doble corchete devuelve un DataFrame.

Filtrado — Extracción de filas mediante condiciones

python

# Una condición
df[df["edad"] >= 30]
#   nombre departamento  edad  salario
# 0    Ana   Desarrollo    30     5000
# 2  Pablo   Desarrollo    35     6000
# 4  Sofía   Desarrollo    32     5500

# Condición compuesta — & (AND), | (OR)
df[(df["departamento"] == "Desarrollo") & (df["salario"] >= 5500)]
#   nombre departamento  edad  salario
# 2  Pablo   Desarrollo    35     6000
# 4  Sofía   Desarrollo    32     5500

# Buscar texto incluido
df[df["nombre"].str.contains("Ana")]

# Coincidir con uno de los valores de una lista
df[df["departamento"].isin(["Desarrollo", "Planificación"])]

Encierre las condiciones entre () y conéctelas con & o |. Esto es diferente a los operadores and/or de Python: al filtrar DataFrames, es obligatorio usar &/|.

Ordenación

python

# Por una columna
df.sort_values("salario")                   # Ascendente (menor→mayor)
df.sort_values("salario", ascending=False)  # Descendente

# Por varias columnas
df.sort_values(["departamento", "salario"], ascending=[True, False])
# Departamento ascendente → salario descendente dentro del mismo departamento

# Restablecer el índice (porque queda desordenado después de ordenar)
df_sorted = df.sort_values("salario").reset_index(drop=True)

Si no se incluye reset_index(drop=True), el índice original se mantiene, resultando en un orden como 0, 3, 1, 4, 2.

Agregación por grupos — groupby

Es una de las herramientas más potentes para el análisis de datos. Responde a preguntas como "¿cuál es el salario promedio por departamento?" con una sola línea.

python

# Básico — promedio por departamento
df.groupby("departamento")["salario"].mean()
# Desarrollo    5500.0
# Marketing     3750.0

# Varias funciones de agregación
df.groupby("departamento")["salario"].agg(["mean", "min", "max", "count"])
#             mean   min   max  count
# Desarrollo  5500  5000  6000      3
# Marketing   3750  3500  4000      2

# Agregar varias columnas
df.groupby("departamento").agg({
    "salario": "mean",
    "edad": "max"
})
#             salario  edad
# Desarrollo     5500    35
# Marketing      3750    28

groupby es un concepto similar al GROUP BY de SQL. Funciona mediante el patrón división (split) → aplicación (apply) → combinación (combine).

Patrón práctico: procesamiento integral

python

# "Personas de Desarrollo con salario de al menos 5000, por salario descendente"
result = (
    df[df["departamento"] == "Desarrollo"]
    .query("salario >= 5000")
    .sort_values("salario", ascending=False)
    .reset_index(drop=True)
)

# Número de personas y salario promedio por departamento
summary = (
    df.groupby("departamento")
    .agg(
        personas=("nombre", "count"),
        salario_promedio=("salario", "mean"),
        salario_máximo=("salario", "max")
    )
    .sort_values("salario_promedio", ascending=False)
)

.query() es una forma de definir condiciones mediante cadenas de texto. En condiciones complejas, ofrece una mejor legibilidad que df[(df["a"] > 1) & (df["b"] < 5)].

Resumen de los métodos más utilizados

Tarea	Método	Ejemplo
Filtro de condiciones	`df[condición]`	`df[df["edad"] > 30]`
Selección de columnas	`df[["a", "b"]]`	`df[["nombre", "salario"]]`
Ordenación	`sort_values()`	`df.sort_values("salario")`
Agregación por grupo	`groupby().agg()`	`df.groupby("departamento")["salario"].mean()`
Los N primeros	`nlargest()` / `nsmallest()`	`df.nlargest(3, "salario")`
Valores únicos	`unique()` / `nunique()`	`df["departamento"].nunique()`
Distribución de valores	`value_counts()`	`df["departamento"].value_counts()`

Resumen clave

El procesamiento de DataFrames es el proceso de expresar en código "qué es lo que se quiere ver". Con solo cuatro verbos — filtrar (¿qué filas?), ordenar (¿en qué orden?), agrupar (¿bajo qué criterio?) y agregar (¿qué calcular?) — se puede responder a la mayoría de las preguntas sobre los datos. Si conoces SQL, puedes considerarlo como una correspondencia 1:1 con SELECT ... WHERE ... GROUP BY ... ORDER BY.

BioPlayground

Procesamiento de DataFrames: filtrado, ordenación y agrupación.

Procesamiento de DataFrames: filtrado, ordenación y agrupación

Al finalizar este tema

Preparación de los datos

Selección de columnas

Filtrado — Extracción de filas mediante condiciones

Ordenación

Agregación por grupos — groupby

Patrón práctico: procesamiento integral

Resumen de los métodos más utilizados

Resumen clave

💬 Preguntas y comentarios