• 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: Iterar sobre las columnas de un DataFrame

Pandas

septiembre 2, 2021 Por Daniel Rodríguez Deja un comentario
Tiempo de lectura: 4 minutos

pandas

Normalmente al trabajar con objetos DataFrame de Pandas se itera sobre las filas, ya que lo habitual es que estas representen los registros. Aun así, en ciertas ocasiones es posible que sea necesario iterar sobre las columnas de un DataFrame, por lo que en esta entrada se mostrarán algunas de las formas que existen para realizar esta tarea.

Tabla de contenidos

  • 1. Conjunto de datos de Ejemplo
  • 2. Iterar sobre las columnas usando los índices
  • 3. Iterar sobre el nombre de las columnas
  • 4. El método iteritems()
  • 5. Iterar en orden inverso
  • 6. Iterar solamente sobre las columnas que cumpla alguna condición
  • 7. Conclusiones

Conjunto de datos de Ejemplo

Para ver el funcionamiento de este proceso se usará el conjunto de ejemplo de usuarios que se ha utilizado en otras ocasiones. Un conjunto de datos que se puede crear con el siguiente código.

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)
   first_name  last_name  age  gender
0  Montgomery      Humes   27    Male
1      Dagmar     Elstow   41  Female
2       Reeba  Wattisham   29  Female
3      Shalom       Alen   29    Male
4      Broddy  Keningham   21    Male
5     Aurelia    Brechin   33  Female

Iterar sobre las columnas usando los índices

Quizás la primera idea para iterar sobre las columnas de un DataFrame de Pandas es iterar mediante usando los índices e iloc[]. Para esto solamente se tiene que obtener el número de columnas del objeto, por ejemplo, mediante el uso de la propiedad shape, y recorrer estos mediante un bucle for. Algo como lo que se muestra en el siguiente pedazo de código.

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

for index in range(df.shape[1]):
    print('Índice de la columna: ', index)
    print('Contenido de la columna: ', df.iloc[: , index].values)
Índice de la columna:  0
Contenido de la columna:  ['Montgomery' 'Dagmar' 'Reeba' 'Shalom' 'Broddy' 'Aurelia']
Índice de la columna:  1
Contenido de la columna:  ['Humes' 'Elstow' 'Wattisham' 'Alen' 'Keningham' 'Brechin']
Índice de la columna:  2
Contenido de la columna:  [27 41 29 29 21 33]
Índice de la columna:  3
Contenido de la columna:  ['Male' 'Female' 'Female' 'Male' 'Male' 'Female']

En este caso en cada iteración solamente se dispone de la variable index en la que se guarda el valor del índice mediante el cual se puede obtener el contenido de cada una de las columnas.

Iterar sobre el nombre de las columnas

Otra opción es iterar sobre el propio DataFrame, lo que devuelve en cada una de las iteraciones el nombre de una columna. Así para acceder al contenido se puede usar directamente el nombre de estos sin la necesidad de usar iloc[] como en el caso anterior.

for column in df:
    print('Nombre de la columna: ', column)
    print('Contenido de la columna: ', df[column].values)
Nombre de la columna:  first_name
Contenido de la columna:  ['Montgomery' 'Dagmar' 'Reeba' 'Shalom' 'Broddy' 'Aurelia']
Nombre de la columna:  last_name
Contenido de la columna:  ['Humes' 'Elstow' 'Wattisham' 'Alen' 'Keningham' 'Brechin']
Nombre de la columna:  age
Contenido de la columna:  [27 41 29 29 21 33]
Nombre de la columna:  gender
Contenido de la columna:  ['Male' 'Female' 'Female' 'Male' 'Male' 'Female']

El método iteritems()

En los dos ejemplos que se han visto hasta ahora se disponía en cada una de las iteraciones del índice o el nombre de las columnas, siendo necesario acceder posteriormente al contenido. Pero, en los objetos DataFrames, existe el método iterable iteritems() con el cual se puede obtener directamente el nombre de la etiqueta y el contenido. Algo que nos facilita el acceso al contenido de cada una de las columnas de una forma más sencilla, tal como se muestra a continuación.

for (label, content) in df.iteritems():
    print('Nombre de la columna: ', label)
    print('Contenido de la columna: ', content.values)
Nombre de la columna:  first_name
Contenido de la columna:  ['Montgomery' 'Dagmar' 'Reeba' 'Shalom' 'Broddy' 'Aurelia']
Nombre de la columna:  last_name
Contenido de la columna:  ['Humes' 'Elstow' 'Wattisham' 'Alen' 'Keningham' 'Brechin']
Nombre de la columna:  age
Contenido de la columna:  [27 41 29 29 21 33]
Nombre de la columna:  gender
Contenido de la columna:  ['Male' 'Female' 'Female' 'Male' 'Male' 'Female']

Iterar en orden inverso

También es posible integrar en orden inverso, para lo que solamente se tienen usar reversed() sobre la lista con los elementos. Por ejemplo, para invertir los datos al iterar mediante los índices de las columnas.

for index in reversed(range(df.shape[1])):
    print('Índice de la columna: ', index)
    print('Contenido de la columna: ', df.iloc[: , index].values)
Índice de la columna:  3
Contenido de la columna:  ['Male' 'Female' 'Female' 'Male' 'Male' 'Female']
Índice de la columna:  2
Contenido de la columna:  [27 41 29 29 21 33]
Índice de la columna:  1
Contenido de la columna:  ['Humes' 'Elstow' 'Wattisham' 'Alen' 'Keningham' 'Brechin']
Índice de la columna:  0
Contenido de la columna:  ['Montgomery' 'Dagmar' 'Reeba' 'Shalom' 'Broddy' 'Aurelia']

Iterar solamente sobre las columnas que cumpla alguna condición

Finalmente, también es posible iterar solamente sobre un subconjunto de las columnas que cumplan alguna condición. Algo que es posible implementar fácilmente mediante una lista por comprensión. Por ejemplo, para seleccionar las columnas que tengan en su nombre la cadena name solamente se tiene que extraer el nombre de todas las columnas y filtrar las que verifiquen la condición.

for column in [col for col in df.columns if col.find("name") > 0]:
    print('Nombre de la columna: ', column)
    print('Contenido de la columna: ', df[column].values)
Nombre de la columna:  first_name
Contenido de la columna:  ['Montgomery' 'Dagmar' 'Reeba' 'Shalom' 'Broddy' 'Aurelia']
Nombre de la columna:  last_name
Contenido de la columna:  ['Humes' 'Elstow' 'Wattisham' 'Alen' 'Keningham' 'Brechin']

Un filtro que se puede hacer todo lo complejo que sea necesario.

Conclusiones

En esta entrada se han mostrado cinco formas diferentes para iterar sobre las columnas de un DataFrame. Los cuales pueden ser de utilidad en diferentes contextos adaptándose a las necesidades específicas de cada caso.

¿Te ha parecido de utilidad el contenido?

¡Puntúalo entre una y cinco estrellas!

Puntuación promedio 5 / 5. Votos emitidos: 3

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

  • Cómo Explorar un Dataset antes de Modelar publicado el noviembre 17, 2026 | en Ciencia de datos
  • Gráficos de barras en Matplotlib publicado el julio 5, 2022 | en Python
  • Operaciones de filtrado de DataFrame con Pandas en base a los valores de las columnas publicado el mayo 10, 2019 | en Python
  • Hoja de cálculo para repartir los escaños en base al método D’Hont Aplicar el método D’Hondt en Excel publicado el abril 14, 2021 | en Herramientas
  • La tabla de la web finalmente importada en Excel Importar tablas desde la web en Excel publicado el octubre 21, 2020 | 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

4.1 (11)

Aplicar el método D’Hondt en Excel

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