• 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
  • Laboratorio
    • Estadística
      • Calculadora del Tamaño Muestral en Encuestas
      • Calculadora de estadísticos descriptivos
      • Test de normalidad
      • Calculadora de contrastes de hipotesis
      • Calculadora de tamano del efecto
      • Simulador de Regresión Lineal con Ruido
      • Descenso de gradiente
      • Visualizador de PCA
      • Visualizador de Series Temporales
      • Simulador de Regresión Logística
      • Matriz de confusión e informe de clasificación
      • Visualizador de fronteras de decisión
      • Simulador de K-Means
      • Número Óptimo de Clusters
      • Simulador de DBSCAN
      • Detector de la Ley de Benford
      • Ajuste de Curvas
      • Calculadora de Matrices
    • Probabilidad
      • Calculadora de Probabilidad de Distribuciones
      • Problema del cumpleaños
      • Calculadora de Probabilidades de Lotería
      • Simulador del Problema de Monty Hall
      • La aguja de Buffon
      • Simulador de la Estrategia Martingala
      • Simulador de Cadenas de Markov
    • Finanzas
      • Calculadora de Préstamos e Hipotecas
      • Conversor TIN ↔ TAE
      • Calculadora DCA con ajuste por inflación
      • Comparador de tarifas de luz 2.0TD
      • Calculadora XIRR con Flujos Irregulares
      • Simulador FIRE (Financial Independence, Retire Early)
      • Frontera Eficiente
    • Negocios
      • CLV
      • Scoring
    • Herramientas
      • Formateador / Minificador de JSON
      • Conversor CSV ↔ JSON
      • Consultar CSV con SQL en el navegador
      • Extractor de tickets (OCR)
      • Comparador y Formateador de Texto y JSON
      • Formateador y Tester de Expresiones Regulares
      • Inspector de JWT
      • Generador y verificador de hashes
      • Calculadora HMAC
      • Codificador / Decodificador Base64 y URL
      • Conversor de bases numericas
      • Conversor de Timestamp Unix
      • Conversor de colores
      • Generador de UUIDs
      • Editor de expresiones cron
      • Conversor de unidades
    • Juegos
      • Tres en Raya
      • Nim con Q-Learning
    • Más
      • Método D’Hondt
      • Generador de Contraseñas Seguras
  • Noticias
  • Boletín
  • Contacto
  • Tienda
    • Libros
    • Equipamiento de oficina
    • Equipamiento en movilidad

Analytics Lane

Ciencia e ingeniería de datos aplicada

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

Pandas: Comprobar la existencia de valores en los DataFrame

Pandas

mayo 10, 2021 Por Daniel Rodríguez Deja un comentario
Tiempo de lectura: 4 minutos

pandas

En el caso de que necesitemos comprobar la existencia de valores en los DataFrame de Pandas disponemos de varias opciones. Siendo una de ellas el uso del operador in. Una opción sencilla que además es muy flexible. Otra alternativa es el uso de la propiedad isin() de los objetos DataFrame.

Tabla de contenidos

  • 1. Conjunto de datos de ejemplo
  • 2. Uso de in para comprobar la existencia de valores
  • 3. Comprobar la existencia de un valor solo en una columna
  • 4. Usar not para comprobar que un valor no existe
  • 5. Buscar más de un elemento
  • 6. La propiedad isin() de los DataFrame
  • 7. Uso de isin() en una columna
  • 8. Conclusiones

Conjunto de datos de ejemplo

Antes de continuar vamos a crear un pequeño conjunto de datos de ejemplo, de manera que se pueda comprobar fácilmente los resultados. Para ello se puede usar un conjunto que ya hemos usado en otras ocasiones como el siguiente listado de clientes.

import pandas as pd

users = {'first_name': ['Montgomery', 'Dagmar', 'Reeba', 'Shalom', 'Broddy', 'Aurelia'],
         'last_name': ['Humes', 'Elstow', 'Wattisham', 'Alen', 'Keningham', 'Brechin'],
         'age': [27, 41, 29, 29, 21, 33],
         'gender': ['Male', 'Female', 'Female', 'Male', 'Male', 'Female']}

df = pd.DataFrame(users)

Uso de in para comprobar la existencia de valores

Quizás la forma más sencilla para comprobar si un valor existe en un DataFrame de Pandas es mediante el uso del operador in de Python. Operador que se tiene que aplicar a la propiedad values del DataFrame, no al DataFrame o a una columna de este. Así para comprobar si en el conjunto de datos de ejemplo existe un nombre solamente se tiene que escribir el nombre seguido del operador in y, después de este, la propiedad values del DataFrame

Shallow copy vs Deep copy en Python: la mutación inesperada
En Analytics Lane
Shallow copy vs Deep copy en Python: la mutación inesperada

'Alen' in df.values

Lo que, en este caso, nos devolverá un valor verdadero. Siendo importante no olvidar la necesidad de seleccionar values, ya que la siguiente línea devolverá siempre falso

'Alen' in df

A pesar de que “Alen” es un nombre que existe en el DataFrame de ejemplo.

De este modo se pueden comprobar tanto la existencia de cadenas de caracteres como valores numéricos. Lo que se puede comprobar en el siguiente ejemplo.

'Alen' in df.values # True
'John' in df.values # False
40 in df.values # False
41 in df.values # True

Comprobar la existencia de un valor solo en una columna

Como hemos visto en el apartado anterior el operador in realiza la búsqueda en todas las columnas del DataFrame. Pero, en muchas ocasiones, puede ser que solamente necesitamos saber si un valor existe en una columna, no en todas. Lo que tiene una solución sencilla, buscar en la propiedad value de la columna tal como se muestra en el siguiente ejemplo:

'Alen' in df.first_name.values # False
'Alen' in df.last_name.values # True

En el que se puede comprobar cómo el término “Alen” existe en el listado de nombres, pero no en el de apellidos. Al igual que antes es necesario recordar que no se debe buscar en la columna, ya que siempre devolvería el valor falso.

Usar not para comprobar que un valor no existe

Otra operación que suele ser habitual es comprobar que un valor no se encuentra en un DataFrame, lo que se puede conseguir agregando el operador not antes de in. Lo que funciona tanto a nivel global como a nivel de columna.

'Alen' not in df.values # False
'John' not in df.values # True
40 not in df.values # True
41 not in df.values # False

'Alen' in df.first_name.values # True
'Alen' in df.last_name.values # False

Buscar más de un elemento

Si necesitamos comprobar la existencia de más de un elemento en un DataFrame siempre se puede recurrir al uso de listas por comprensión. Lo que nos permite iterar sobre los elementos de una lista comprobando si cada uno de estos se encuentra en el DataFrame.

values = ['Alen', 'Home', 40, 41]
[True if item in df.values else False for item in values]
[True, False, False, True]

Lo que se puede combinar con las funciones any() o all() para comprobar si, respectivamente, existe alguno de los elementos o todos.

any([True if item in df.values else False for item in values]) # True
all([True if item in df.values else False for item in values]) # False

Alternativamente también se puede crear un diccionario con los resultados en el que el término sea la clave y el valor si este se encuentra o no en el DataFrame.

{item: True if item in df.values else False for item in values}
{'Alen': True, 'Home': False, 40: False, 41: True}

La propiedad isin() de los DataFrame

Los DataFrames de Pandas tienen una propiedad isin() con la que se puede comprobar la existencia o no de un valor o una lista de valores. Método que devuelve un DataFrame donde cada registro es un valor verdadero o falso, señalando de este modo si en esa posición se encontraba alguno de los valores buscados.

df.isin(['Alen', 41])
   first_name  last_name    age  gender
0       False      False  False   False
1       False      False   True   False
2       False      False  False   False
3       False       True  False   False
4       False      False  False   False
5       False      False  False   False

Este método tiene algunas ventajas ya que nos indica cada una de las posiciones, pero muchas veces no es lo que deseamos. Para saber si existe en una columnas se puede usar any().

df.isin(['Alen', 41]).any()
first_name    False
last_name      True
age            True
gender        False

Por otro lado, para saber si el valor se encuentra en el DataFrame se puede concatenar dos llamadas al método any().

df.isin(['Alen', 41]).any().any() # True

Uso de isin() en una columna

Al igual que con el uso del operador in es posible buscar solamente en una columna ya que el método también se encuentra disponible a este nivel. Así para buscar si un nombre existe en una columna se puede recurrir a un código como el siguiente.

df.last_name.isin(['Alen', 41])
0    False
1    False
2    False
3     True
4    False
5    False

Conclusiones

En esta entrada hemos visto dos métodos para comprobar la existencia de valores en los DataFrame de Pandas. Una operación que es bastante habitual. Tanto el uso del operador in cómo del método ison() facilita esta tareas frente a la búsqueda directa de los valores. Simplificando el código, lo que hace que este sea más fácil de leer y comprender lo que hace.

¿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

  • Shallow copy vs Deep copy en Python: la mutación inesperada
  • Cómo Proyectar Cuándo Alcanzarás la Independencia Financiera
  • Analytics Lane lanza la versión 1.5 del laboratorio con un extractor de tickets por OCR y consultas SQL sobre CSV en el navegador
  • Cómo Saber si una Diferencia Significativa es Importante
  • Curiosidad: “Wi-Fi” no significa “Wireless Fidelity”
  • Cómo Explorar un Dataset antes de Modelar
  • Cómo Elegir el Test de Hipótesis Correcto para tus Datos
  • Tuplas vs Listas en Python: parecen lo mismo, pero no
  • == vs is en Python: la diferencia que causa bugs misteriosos

Publicidad

Publicado en: Python Etiquetado como: Pandas

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

Noticias

Analytics Lane lanza la versión 1.5 del laboratorio con un extractor de tickets por OCR y consultas SQL sobre CSV en el navegador

noviembre 18, 2026 Por Daniel Rodríguez

Cómo Explorar un Dataset antes de Modelar

noviembre 17, 2026 Por Daniel Rodríguez

Curiosidad: “Wi-Fi” no significa “Wireless Fidelity”

noviembre 12, 2026 Por Daniel Rodríguez

Publicidad

Es tendencia

  • Instantáneas de VirtualBox (Snapshots) publicado el marzo 27, 2019 | en Herramientas
  • Noticias Analytics Lane lanza la versión 1.5 del laboratorio con un extractor de tickets por OCR y consultas SQL sobre CSV en el navegador publicado el noviembre 18, 2026 | en Noticias
  • Cuatro aplicaciones de la Inteligencia Artificial en el Deporte publicado el junio 21, 2023 | en Ciencia de datos, Opinión
  • ¿Qué es el margen de error en una encuesta y por qué es importante? publicado el mayo 30, 2025 | en Ciencia de datos, Opinión
  • Usar el depurador de Visual Studio Code con Jest publicado el diciembre 6, 2023 | en Herramientas

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

4.9 (11)

Pandas: Cambiar los tipos de datos en los DataFrames

Comentarios recientes

  • Daniel Rodríguez en Curiosidad: La Paradoja de Simpson, o por qué no siempre debes fiarte de los promedios
  • Hatepi en Curiosidad: La Paradoja de Simpson, o por qué no siempre debes fiarte de los promedios
  • Daniel Rodríguez en Los récords con asterisco, o la épica del titular sin contexto – El bestiario de los indicadores económicos absurdos (parte 8 y final)
  • Juan en Los récords con asterisco, o la épica del titular sin contexto – El bestiario de los indicadores económicos absurdos (parte 8 y final)
  • bif en JSON en bases de datos: cuándo es buena idea y cuándo no

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 © 2018-2026 Analytics Lane ·Términos y condiciones ·Política de Cookies ·Política de Privacidad ·Herramientas de privacidad ·Contacto