• Saltar al contenido principal
  • Skip to secondary menu
  • Saltar a la barra lateral principal
  • Saltar al pie de página
  • Inicio
  • Secciones
    • Ciencia de datos
    • Criptografía
    • Herramientas
    • Machine Learning
    • Noticias
    • Opinión
    • Productividad
    • Programación
      • JavaScript
      • Julia
      • Matlab
      • Python
      • R
  • Programación
    • JavaScript
    • Julia
    • Matlab
    • Python
    • R
  • Herramientas
    • Método D’Hondt – Atribución de escaños
  • Noticias
  • Boletín
  • Contacto
  • Tienda
    • Libros
    • Equipamiento de oficina
    • Equipamiento en movilidad
    • Tiendas afiliadas
      • AliExpress
      • Amazon
      • Banggood
      • GeekBuying
      • Lenovo

Analytics Lane

Ciencia e ingeniería de datos aplicada

  • Ciencia de datos
  • Machine Learning
  • Python
  • Pandas
  • NumPy
  • Matlab
  • Julia
  • Excel
  • IA Generativa

Filas en DataFrames de Julia (15ª parte – ¡Hola Julia!)

septiembre 1, 2020 Por Daniel Rodríguez Deja un comentario
Tiempo de lectura: 11 minutos

En la entrada anterior hemos visto cómo trabajar con las columnas de un DataFrame, en esta ocasión vamos a ver cómo manejar las filas en DataFrames de Julia.

Tabla de contenidos

  • 1 Creación de un conjunto de datos
  • 2 Acceso a las filas en DataFrames de Julia
  • 3 Crea un enlace a las filas con las vistas
  • 4 Ordenar los datos de un DataFrame
  • 5 Concatenar filas en DataFrames de Julia
  • 6 Borrar filas en DataFrames de Julia
  • 7 Filtrado de registros
  • 8 Selección de valores únicos
  • 9 Una herramienta poderosa
  • 10 Publicaciones de la serie ¡Hola Julia!

Creación de un conjunto de datos

Para poder acceder a las filas de un DataFrame es necesario tener uno en la sesión de Julia. Debido a que, en esta ocasión, los datos concretos no son importantes, vamos a crear un conjunto de datos aleatorios para trabajar con ellos. Lo haremos con el siguiente código en el que generamos un DataFrame de tres columnas y cuatro filas.

using DataFrames
using Random
using StatsBase

Random.seed!(1)

df = DataFrame(rand(Int8, 4, 3))
│ Row │ x1   │ x2   │ x3   │
│     │ Int8 │ Int8 │ Int8 │
├─────┼──────┼──────┼──────┤
│ 1   │ -82  │ 53   │ 82   │
│ 2   │ -126 │ -18  │ -77  │
│ 3   │ 103  │ -62  │ 92   │
│ 4   │ -63  │ -69  │ 100  │

Nótese que en este caso se ha fijado la semilla del generador de números aleatorios, por lo que los valores obtenidos serán siempre los mismos.

Consistencia en nombres y orden en TypeScript: la base de un código mantenible aplicado a tslane
En Analytics Lane
Consistencia en nombres y orden en TypeScript: la base de un código mantenible aplicado a tslane

Publicidad


Acceso a las filas en DataFrames de Julia

Para acceder a un elemento de un DataFrame solamente es necesario indicar entre corchetes el número de la fila seguido de la columna. En el caso de querer acceder a un fila se tiene que indicar todas las columna mediante el los dos puntos (:). En este caso no es posible usar admiración (!) para crear un enlace como sí sucede en el caso de las columnas. Un enlace a las filas se puede conseguir creando una vista, método que explicaremos más adelante. Obteniendo un error de ejecución en el caso de que se intente. Por ejemplo, para acceder a la primera fila del DataFrame se puede hacer con el siguiente código.

df[1, :]
│ Row │ x1   │ x2   │ x3   │
│     │ Int8 │ Int8 │ Int8 │
├─────┼──────┼──────┼──────┤
│ 1   │ -82  │ 53   │ 82   │

Algo que también se puede hacer con más de una fila. Por ejemplo, para obtener filas impares del conjunto de datos.

df[1:2:end, :]
│ Row │ x1   │ x2   │ x3   │
│     │ Int8 │ Int8 │ Int8 │
├─────┼──────┼──────┼──────┤
│ 1   │ -82  │ 53   │ 82   │
│ 2   │ 103  │ -62  │ 92   │

También es posible seleccionar tanto un subconjunto de filas como de las columnas indicando ambas.

df[2:3, 2:3]
│ Row │ x2   │ x3   │
│     │ Int8 │ Int8 │
├─────┼──────┼──────┤
│ 1   │ -18  │ -77  │
│ 2   │ -62  │ 92   │

En este ejemplo se puede ver que si se seleccionan elementos de un DataFrame en Julia el número original de la fila no se conserva en el nuevo objeto. A diferencia de lo que sucede en los objetos Pandas de Python.

Crea un enlace a las filas con las vistas

Como se ha explicado solamente no es posible utilizar ! para indicar que se cree una enlace al DataFrame original. Pero, cuando se trabaja con grandes DataFrames puede ser un problema crear copias para trabajar con subconjuntos de datos. Por lo que existe la función view() para crear vistas a un DataFrame. Evitando de este modo duplicar datos en memoria. Además, en caso de modificar los valores en una vista afectará tanto a la vista como el objeto original. Las vistas permiten acceder en todo momento al objeto padre mediante la función parent() y consultar los índices a los que hace referencia mediante parentindices().

vdf = view(df, 2:3, 2:3)

vdf
parent(vdf)
parentindices(vdf)
2×2 SubDataFrame
│ Row │ x2   │ x3   │
│     │ Int8 │ Int8 │
├─────┼──────┼──────┤
│ 1   │ -18  │ -77  │
│ 2   │ -62  │ 92   │

4×3 DataFrame
│ Row │ x1   │ x2   │ x3   │
│     │ Int8 │ Int8 │ Int8 │
├─────┼──────┼──────┼──────┤
│ 1   │ -82  │ 53   │ 82   │
│ 2   │ -126 │ -18  │ -77  │
│ 3   │ 103  │ -62  │ 92   │
│ 4   │ -63  │ -69  │ 100  │

(2:3, 2:3)

Publicidad


Ordenar los datos de un DataFrame

Si tenemos un conjunto de datos en un DataFrame se puede ordenar las filas en base a los valores de una columna. Para comprobar esto se puede crear un DataFrame con una columna id, una segunda columna con valores aleatorios y otra con un conjunto de enteros aleatorios.

df = DataFrame(id=1:10, value=rand(10), number=sample(1:3,10))
10×3 DataFrame
│ Row │ id    │ value     │ number │
│     │ Int64 │ Float64   │ Int64  │
├─────┼───────┼───────────┼────────┤
│ 1   │ 1     │ 0.424718  │ 3      │
│ 2   │ 2     │ 0.773223  │ 3      │
│ 3   │ 3     │ 0.28119   │ 3      │
│ 4   │ 4     │ 0.209472  │ 1      │
│ 5   │ 5     │ 0.251379  │ 2      │
│ 6   │ 6     │ 0.0203749 │ 2      │
│ 7   │ 7     │ 0.287702  │ 2      │
│ 8   │ 8     │ 0.859512  │ 2      │
│ 9   │ 9     │ 0.0769509 │ 3      │
│ 10  │ 10    │ 0.640396  │ 3      │

Para comprobar si un DataFrame está ordenado se puede usar la función issorted(), el cual comprobará los valores de la primera columna. Si se desea comprobar si otra columna está ordenada es necesario indicarlo explícitamente. Así, en nuestro ejemplo, se puede comprobar que el identificador está ordenado, pero no los valores.

issorted(df) # true
issorted(df, :value) # false

La ordenación por una columna se puede hacer con la función sort(), indicando como segundo parámetro la columna.

sort!(df, :value)
│ Row │ id    │ value     │ number │
│     │ Int64 │ Float64   │ Int64  │
├─────┼───────┼───────────┼────────┤
│ 1   │ 6     │ 0.0203749 │ 2      │
│ 2   │ 9     │ 0.0769509 │ 3      │
│ 3   │ 4     │ 0.209472  │ 1      │
│ 4   │ 5     │ 0.251379  │ 2      │
│ 5   │ 3     │ 0.28119   │ 3      │
│ 6   │ 7     │ 0.287702  │ 2      │
│ 7   │ 1     │ 0.424718  │ 3      │
│ 8   │ 10    │ 0.640396  │ 3      │
│ 9   │ 2     │ 0.773223  │ 3      │
│ 10  │ 8     │ 0.859512  │ 2      │

Pudiéndose comprobar ahora los resultados.

issorted(df) # false
issorted(df, :value) # true

Por ejemplo, la ordenación se ha hecho en orden ascendente. Pero, si se desea ordenar los valores en orden descendente es posible indicarlo asignando el valor verdadero a la propiedad rev de la función sort().

sort!(df, :value, rev=true)
│ Row │ id    │ value     │ number │
│     │ Int64 │ Float64   │ Int64  │
├─────┼───────┼───────────┼────────┤
│ 1   │ 8     │ 0.859512  │ 2      │
│ 2   │ 2     │ 0.773223  │ 3      │
│ 3   │ 10    │ 0.640396  │ 3      │
│ 4   │ 1     │ 0.424718  │ 3      │
│ 5   │ 7     │ 0.287702  │ 2      │
│ 6   │ 3     │ 0.28119   │ 3      │
│ 7   │ 5     │ 0.251379  │ 2      │
│ 8   │ 4     │ 0.209472  │ 1      │
│ 9   │ 9     │ 0.0769509 │ 3      │
│ 10  │ 6     │ 0.0203749 │ 2      │

Ahora para comprobar si el conjunto de datos está ordenado es necesario asignar también el valor verdadero a la propiedad rev en la función sort().

issorted(df) # false
issorted(df, :value) # false
issorted(df, :value, rev=true) #true

Finalmente, si queremos ordenar en base a dos los valores de varias columnas se puede hacer indicando estas en un vector. Ordenado en primer lugar por primera columnas y después por el resto. Así para ordenar por los valores de columna number y, para las filas que tienen el mismo, ordenar posteriormente en base a los valores de la columna value se puede escribir.

sort!(df, [:number, :value])
│ Row │ id    │ value     │ number │
│     │ Int64 │ Float64   │ Int64  │
├─────┼───────┼───────────┼────────┤
│ 1   │ 4     │ 0.209472  │ 1      │
│ 2   │ 6     │ 0.0203749 │ 2      │
│ 3   │ 5     │ 0.251379  │ 2      │
│ 4   │ 7     │ 0.287702  │ 2      │
│ 5   │ 8     │ 0.859512  │ 2      │
│ 6   │ 9     │ 0.0769509 │ 3      │
│ 7   │ 3     │ 0.28119   │ 3      │
│ 8   │ 1     │ 0.424718  │ 3      │
│ 9   │ 10    │ 0.640396  │ 3      │
│ 10  │ 2     │ 0.773223  │ 3      │

Pudiendo comprobar en este caso que las columnas están ordenadas tal como se ha indicado.

issorted(df) # false
issorted(df, :value) # false
issorted(df, :number) # true

Concatenar filas en DataFrames de Julia

Para concatenar las filas de varios DataFrames se puede usar la función vcat() o simplemente escribir los objetos entre corchetes separados por punto y coma.

df = DataFrame(rand(Int8, 4, 3))

[df; df]
vcat(df,df)
│ Row │ x1   │ x2   │ x3   │
│     │ Int8 │ Int8 │ Int8 │
├─────┼──────┼──────┼──────┤
│ 1   │ -30  │ 127  │ 22   │
│ 2   │ -108 │ 121  │ 120  │
│ 3   │ -105 │ 61   │ -54  │
│ 4   │ 73   │ 16   │ 70   │
│ 5   │ -30  │ 127  │ 22   │
│ 6   │ -108 │ 121  │ 120  │
│ 7   │ -105 │ 61   │ -54  │
│ 8   │ 73   │ 16   │ 70   │

Algo que funciona, aunque el orden de las columnas no sea el mismo en los DataFrames a combinar. Conservando en tal caso el orden del primero que se indique.

rdf = df[:, reverse(names(df))]

[rdf; df]
│ Row │ x3   │ x2   │ x1   │
│     │ Int8 │ Int8 │ Int8 │
├─────┼──────┼──────┼──────┤
│ 1   │ 22   │ 127  │ -30  │
│ 2   │ 120  │ 121  │ -108 │
│ 3   │ -54  │ 61   │ -105 │
│ 4   │ 70   │ 16   │ 73   │
│ 5   │ 22   │ 127  │ -30  │
│ 6   │ 120  │ 121  │ -108 │
│ 7   │ -54  │ 61   │ -105 │
│ 8   │ 70   │ 16   │ 73   │

Pudiéndose concatenar solamente algunas filas de cada DataFrame.

vcat(df[1:2,:], df[3:-1:2,:])
│ Row │ x1   │ x2   │ x3   │
│     │ Int8 │ Int8 │ Int8 │
├─────┼──────┼──────┼──────┤
│ 1   │ -30  │ 127  │ 22   │
│ 2   │ -108 │ 121  │ 120  │
│ 3   │ -105 │ 61   │ -54  │
│ 4   │ -108 │ 121  │ 120  │

Si se desea concatenar dos DataFrames y guardar los cambios en el objeto original se puede usar la función append!() en lugar de vcat(). Evitando guardar varias copias en memoria.

append!(df, rdf)
df
│ Row │ x1   │ x2   │ x3   │
│     │ Int8 │ Int8 │ Int8 │
├─────┼──────┼──────┼──────┤
│ 1   │ -30  │ 127  │ 22   │
│ 2   │ -108 │ 121  │ 120  │
│ 3   │ -105 │ 61   │ -54  │
│ 4   │ 73   │ 16   │ 70   │
│ 5   │ -30  │ 127  │ 22   │
│ 6   │ -108 │ 121  │ 120  │
│ 7   │ -105 │ 61   │ -54  │
│ 8   │ 73   │ 16   │ 70   │

También se puede repetir los mismo datos tantas veces como sea necesario con la función repeat().

repeat(rdf, 2)
│ Row │ x3   │ x2   │ x1   │
│     │ Int8 │ Int8 │ Int8 │
├─────┼──────┼──────┼──────┤
│ 1   │ 22   │ 127  │ -30  │
│ 2   │ 120  │ 121  │ -108 │
│ 3   │ -54  │ 61   │ -105 │
│ 4   │ 70   │ 16   │ 73   │

Finalmente, para agregar solo una fila se puede usar la función push!(). Función que modifica el DataFrame original. Los datos pueden indicar tanto mediante un vector como un diccionario, en donde las claves del diccionario tienen que ser el identificador de las columnas.

push!(df, 1:3)
push!(df, Dict(:x1=> 10, :x2=> 11, :x3=> 12))
│ Row │ x1   │ x2   │ x3   │
│     │ Int8 │ Int8 │ Int8 │
├─────┼──────┼──────┼──────┤
│ 1   │ -30  │ 127  │ 22   │
│ 2   │ -108 │ 121  │ 120  │
│ 3   │ -105 │ 61   │ -54  │
│ 4   │ 73   │ 16   │ 70   │
│ 5   │ -30  │ 127  │ 22   │
│ 6   │ -108 │ 121  │ 120  │
│ 7   │ -105 │ 61   │ -54  │
│ 8   │ 73   │ 16   │ 70   │
│ 9   │ 1    │ 2    │ 3    │
│ 10  │ 10   │ 11   │ 12   │

Publicidad


Borrar filas en DataFrames de Julia

La eliminación de las filas de un DataFrame se puede realizar con la función delete!(). Una función que modifica el objeto original y solamente necesita la posición de la fila o filas a eliminar.

delete!(df, 7) # Borrado de la fila 7
delete!(df, 1:5) # Borrado de la fila 1 a 5
│ Row │ x1   │ x2   │ x3   │
│     │ Int8 │ Int8 │ Int8 │
├─────┼──────┼──────┼──────┤
│ 1   │ -108 │ 121  │ 120  │
│ 2   │ 73   │ 16   │ 70   │
│ 3   │ 1    │ 2    │ 3    │
│ 4   │ 10   │ 11   │ 12   │

Aunque también se puede conseguir los mismos usando Not() a la hora de seleccionar elementos, sin modificar en este caso el objeto original.

df[Not(1:2), :]
│ Row │ x1   │ x2   │ x3   │
│     │ Int8 │ Int8 │ Int8 │
├─────┼──────┼──────┼──────┤
│ 1   │ 1    │ 2    │ 3    │
│ 2   │ 10   │ 11   │ 12   │

Filtrado de registros

Una operación habitual en los conjuntos de datos es seleccionar solamente los registros que cumplen una o varias condiciones. Algo que en los DataFrame de Julia se puede conseguir mediante la función filter(). Función que requiere como entrada la condición a aplicar y el objeto sobre el que se aplica. Por ejemplo, se pueden seleccionar las filas que contengan en la columna x1 los valores 1 o 10.

filter(row -> row.x1 in [1, 10], df)
│ Row │ x1   │ x2   │ x3   │
│     │ Int8 │ Int8 │ Int8 │
├─────┼──────┼──────┼──────┤
│ 1   │ 1    │ 2    │ 3    │
│ 2   │ 10   │ 11   │ 12   │

Algo que se puede conseguir también con in.(), indicado para ellos la columna y los valores que se desean filtrar. El mismo resultado que el ejemplo anterior se puede conseguir con el siguiente código.

df[in.(df.x1, Ref([1,10])), :]
│ Row │ x1   │ x2   │ x3   │
│     │ Int8 │ Int8 │ Int8 │
├─────┼──────┼──────┼──────┤
│ 1   │ 1    │ 2    │ 3    │
│ 2   │ 10   │ 11   │ 12   │

Publicidad


Selección de valores únicos

Otra operación muy habitual a la hora de trabajar con conjuntos de datos es la identificación de valores únicos. Por fortuna en Julia contamos con la función unique(), permitiéndonos seleccionar los valores únicos de un conjunto de datos.

append!(df, df)
unique(df, :x1)
│ Row │ x1   │ x2   │ x3   │
│     │ Int8 │ Int8 │ Int8 │
├─────┼──────┼──────┼──────┤
│ 1   │ -108 │ 121  │ 120  │
│ 2   │ 73   │ 16   │ 70   │
│ 3   │ 1    │ 2    │ 3    │
│ 4   │ 10   │ 11   │ 12   │

Para ver qué filas tienen los valores duplicados se puede recurrir a nonunique().

nonunique(df, :x1)
8-element Array{Bool,1}:
 0
 0
 0
 0
 1
 1
 1
 1

Una herramienta poderosa

En esta entrada hemos visto cómo manejar las filas en los DataFrames de Julia, lo que nos confirma, junto a la entrada anterior en las que tratamos las columnas, lo fácil que es procesar grandes conjuntos de datos con esta herramienta. En la próxima entrada veremos cruzar los valores de varios DataFrames, para combinar la información de ambos.

Publicidad


Publicaciones de la serie ¡Hola Julia!

  1. ¡Hola Julia!
  2. Primeros pasos con Julia
  3. Cadenas de texto en Julia
  4. Bucles en Julia
  5. Funciones en Julia
  6. Vectores, tuplas y diccionarios en Julia
  7. Estructuras en Julia
  8. Utilizar los tipos en Julia
  9. Tipos de datos en Julia
  10. Tipos y funciones paramétricos en Julia
  11. Introducción a los DataFrames en Julia
  12. Obtener información básica de los DataFrames de Julia
  13. El tipo de dato Missing de Julia
  14. Columnas en DataFrames de Julia
  15. Filas en DataFrames de Julia
  16. Combinar DataFrames en Julia
  17. Guardar y leer archivos CSV en Julia
  18. Guardar y leer archivos Excel en Julia
  19. Introducción a Genie
  20. Libros sobre Julia

¿Te ha parecido de utilidad el contenido?

¡Puntúalo entre una y cinco estrellas!

Puntuación promedio 0 / 5. Votos emitidos: 0

Ya que has encontrado útil este contenido...

¡Síguenos en redes sociales!

¡Siento que este contenido no te haya sido útil!

¡Déjame mejorar este contenido!

Dime, ¿cómo puedo mejorar este contenido?

Publicaciones relacionadas

  • Consistencia en nombres y orden en TypeScript: la base de un código mantenible aplicado a tslane
  • Análisis de Redes con Python
  • Nuevo calendario de publicaciones: más calidad, mejor ritmo
  • Probabilidad básica: cómo entender el azar en nuestra vida diaria
  • Cómo eliminar las noticias en Windows 11 y recuperar tu concentración
  • Publicaciones de verano 2025: los trucos más populares, ahora en vídeo
  • Cómo enviar correos desde PowerShell utilizando Brevo: Guía paso a paso para automatizar tus notificaciones
  • Nueva herramienta disponible: Calculadora del Método D’Hondt para la atribución de escaños
  • Cómo enviar correos desde Python utilizando Brevo: Automatiza tus notificaciones con scripts eficientes

Publicado en: Julia

Interacciones con los lectores

Deja una respuesta Cancelar la respuesta

Tu dirección de correo electrónico no será publicada. Los campos obligatorios están marcados con *

I accept the Terms and Conditions and the Privacy Policy

Este sitio usa Akismet para reducir el spam. Aprende cómo se procesan los datos de tus comentarios.

Barra lateral principal

Suscríbete a nuestro boletín

Suscríbete al boletín semanal para estar al día de todas las publicaciones.

Política de Privacidad

Analytics Lane en redes sociales

  • Amazon
  • Bluesky
  • Facebook
  • GitHub
  • Instagram
  • Mastodon
  • Pinterest
  • RSS
  • Telegram
  • Tumblr
  • Twitter
  • YouTube

Publicidad

Entradas recientes

¡Nuevo video! Gráficos de barras en Matplotlib sin complicarte

julio 17, 2025 Por Daniel Rodríguez

¡Nuevo video! Iterar filas en Pandas sin romperte la cabeza

julio 15, 2025 Por Daniel Rodríguez

¡Nuevo video! Encuentra la posición en listas como un PRO

julio 10, 2025 Por Daniel Rodríguez

Publicidad

Es tendencia

  • Obtención de valores únicos de una columna con Pandas publicado el mayo 8, 2019 | en Python
  • Cómo encontrar la posición de elementos en una lista de Python publicado el abril 12, 2021 | en Python
  • Combinar varios archivos Jupyter Notebook en uno publicado el noviembre 21, 2022 | en Python
  • Gráficos de barras en Matplotlib publicado el julio 5, 2022 | en Python
  • pandas Pandas: Cómo iterar sobre las filas de un DataFrame en Pandas publicado el septiembre 13, 2021 | en Python

Publicidad

Lo mejor valorado

4.9 (24)

Seleccionar filas y columnas en Pandas con iloc y loc

4.6 (16)

Archivos JSON con Python: lectura y escritura

4.4 (14)

Ordenación de diccionarios en Python mediante clave o valor

4.7 (13)

Operaciones de filtrado de DataFrame con Pandas en base a los valores de las columnas

4.5 (10)

Diferencias entre var y let en JavaScript

Publicidad

Comentarios recientes

  • Piera en Ecuaciones multilínea en Markdown
  • Daniel Rodríguez en Tutorial de Mypy para Principiantes
  • Javier en Tutorial de Mypy para Principiantes
  • javier en Problemas con listas mutables en Python: Cómo evitar efectos inesperados
  • soldado en Numpy básico: encontrar la posición de un elemento en un Array de Numpy

Publicidad


Footer

Analytics Lane

  • Acerca de Analytics Lane
  • Boletín de noticias
  • Contacto
  • Libros
  • Lo más popular
  • Noticias
  • Tienda
  • Tiendas afiliadas

Secciones

  • Ciencia de datos
  • Criptografía
  • Herramientas
  • Machine Learning
  • Opinión
  • Productividad
  • Programación
  • Reseñas

Sobre de Analytics Lane

En Analytics Lane tratamos de explicar los principales conceptos de la ciencia e ingeniería de datos con un enfoque práctico. Los principales temas tratados son ciencia de datos, ingeniería de datos, inteligencia artificial, machine learning, deep learning y criptografía. Además, también se habla de los principales lenguajes de programación y herramientas utilizadas por los científicos e ingenieros de datos.

Copyright © 2018-2025 Analytics Lane ·Términos y condiciones ·Política de Cookies ·Política de Privacidad ·Herramientas de privacidad ·Contacto