Base de Datos

8. Base de Datos#

8.1. Pandas#

¿Qué es Pandas?

Pandas es una muy popular librería de código abierto dentro de los desarrolladores de Python, y sobre todo dentro del ámbito de Data Science y Machine Learning, ya que ofrece unas estructuras muy poderosas y flexibles que facilitan la manipulación y tratamiento de datos. Las dos estructuras de datos principales dentro del paquete Pandas son:
  • Series: array unidimensional etiquetado capaz de almacenar cualquier tipo de dato.
  • DataFrame: estructura bidimensional con columnas que pueden ser también de cualquier tipo. Estas columnas son a su vez Series.
Revisa para profundizar

Documentación de Pandas

Atributos, operaciones y funciones en Series

 # en caso de que no estar instalada: pip install pandas

# importamos las librerías, le damos un seudónimo a las librerias para mejorar 
# legibilidad en el código.
import pandas as pd
Crear un DataFrame.: Crea un DataFrame simple a partir de un diccionario 
data = {'Nombre': ['Juan', 'María', 'Carlos', 'Luis'],
        'Edad': [25, 30, 35, 40],
        'Ciudad': ['México', 'Madrid', 'Buenos Aires', 'Lima']}
df = pd.DataFrame(data)
print(df)

   Nombre  Edad        Ciudad
0    Juan    25        México
1   María    30        Madrid
2  Carlos    35  Buenos Aires
3    Luis    40          Lima
Seleccionar columnas : Selecciona una columna específica del DataFrame.
print(df['Nombre'])

0      Juan
1     María
2    Carlos
3      Luis
Name: Nombre, dtype: object
Filtrar filas: Filtra filas basadas en una condición.
filtro = df['Edad'] > 30
print(df[filtro])

   Nombre  Edad        Ciudad
2  Carlos    35  Buenos Aires
3    Luis    40          Lima
Agregar una nueva columna: Agrega una nueva columna al DataFrame.
df['Género'] = ['Hombre', 'Mujer', 'Hombre', 'Hombre']
print(df)

   Nombre  Edad        Ciudad  Género
0    Juan    25        México  Hombre
1   María    30        Madrid   Mujer
2  Carlos    35  Buenos Aires  Hombre
3    Luis    40          Lima  Hombre
Eliminar columnas : Elimina una columna del DataFrame.
df = df.drop('Ciudad', axis=1)
print(df)

   Nombre  Edad  Género
0    Juan    25  Hombre
1   María    30   Mujer
2  Carlos    35  Hombre
3    Luis    40  Hombre
Agregar una fila: Agrega una nueva fila al DataFrame.
nueva_fila = pd.DataFrame({'Nombre': ['Laura'], 'Edad': [28], 'Ciudad': ['Barcelona'],
                           'Género': ['Mujer']})
df = pd.concat([df, nueva_fila], ignore_index=True)
print(df)

   Nombre  Edad  Género     Ciudad
0    Juan    25  Hombre        NaN
1   María    30   Mujer        NaN
2  Carlos    35  Hombre        NaN
3    Luis    40  Hombre        NaN
4   Laura    28   Mujer  Barcelona
Eliminar filas: Elimina filas del DataFrame.
df = df.drop(0)
print(df)

   Nombre  Edad  Género     Ciudad
1   María    30   Mujer        NaN
2  Carlos    35  Hombre        NaN
3    Luis    40  Hombre        NaN
4   Laura    28   Mujer  Barcelona
Exportar a CSV : Exporta el DataFrame a un archivo CSV.
df.to_csv('nuevo_archivo.csv', index=False)

8.2. Numpy#

Numpy es una librería de Python especializada en el cálculo numérico y el análisis de datos, especialmente para un gran volumen de datos.Incorpora una nueva clase de objetos llamados arrays que permite representar colecciones de datos de un mismo tipo en varias dimensiones, y funciones muy eficientes para su manipulación.
Para crear un array se utiliza la siguiente función de NumPy
  • np.array(lista): Crea un array a partir de la lista o tupla lista y devuelve una referencia a él. El número de dimensiones del array dependerá de las listas o tuplas anidadas en lista:
  • Para una lista de valores se crea un array de una dimensión, también conocido como vector.
  • Para una lista de listas de valores se crea un array de dos dimensiones, también conocido como matriz.
  • Para una lista de listas de listas de valores se crea un array de tres dimensiones, también conocido como cubo.
  • Y así sucesivamente. No hay límite en el número de dimensiones del array más allá de la memoria disponible en el sistema.
Revisa información para profundizar

Profundiza en su documentación

import numpy as np

# Crear un array NumPy unidimensional
array_unidimensional = np.array([1, 2, 3, 4, 5])
print("Array unidimensional:")
print(array_unidimensional)

# Crear un array NumPy bidimensional (matriz)
array_bidimensional = np.array([[1, 2, 3], [4, 5, 6], [7, 8, 9]])
print("\nArray bidimensional:")
print(array_bidimensional)

Array unidimensional:
[1 2 3 4 5]

Array bidimensional:
[[1 2 3]
 [4 5 6]
 [7 8 9]]

import numpy as np

# Crear dos arrays NumPy
array1 = np.array([1, 2, 3])
array2 = np.array([4, 5, 6])

# Suma de arrays
suma = array1 + array2
print("Suma de arrays:")
print(suma)

# Producto de arrays
producto = array1 * array2
print("\nProducto de arrays:")
print(producto)

# Operaciones matemáticas
cuadrado = np.square(array1)
print("\nCuadrado de array1:")
print(cuadrado)

Suma de arrays:
[5 7 9]

Producto de arrays:
[ 4 10 18]

Cuadrado de array1:
[1 4 9]

import numpy as np

# Generar datos aleatorios
datos_aleatorios = np.random.rand(5)  # Array unidimensional de 5 números aleatorios entre 0 y 1
print("Datos aleatorios:")
print(datos_aleatorios)

# Generar matriz de números aleatorios
matriz_aleatoria = np.random.randint(1, 10, size=(3, 3))  # Matriz 3x3 de números aleatorios entre 1 y 9
print("\nMatriz aleatoria:")
print(matriz_aleatoria)

Datos aleatorios:
[0.08700418 0.38533188 0.63845653 0.52026951 0.86656852]

Matriz aleatoria:
[[1 4 8]
 [3 7 7]
 [7 3 5]]

import numpy as np

# Crear un array NumPy
mi_array = np.array([1, 2, 3, 4, 5])

# Acceder a un elemento específico
print("Primer elemento:", mi_array[0])

# Acceder a un rango de elementos
print("Primeros tres elementos:", mi_array[:3])

# Modificar un elemento
mi_array[2] = 10
print("Array modificado:", mi_array)

Primer elemento: 1
Primeros tres elementos: [1 2 3]
Array modificado: [ 1  2 10  4  5]
Contents