Una de las tareas más repetidas cuando se procesa un conjunto de datos es el filtrado de registros en base a sus valores. Eliminando aquellos que no son de interés para el análisis que se desea realizar. Por eso, en Julia existe la función filter() con la que es posible filtrar fácilmente los registros de un conjunto de datos. Veamos cómo se puede emplear esta función para eliminar filas en DataFrame Julia cuyos valores no cumplen una o varias condiciones.
Conjunto de datos de ejemplo
A modo de ejemplo se puede crear un conjunto de datos sencillo para comprobar el funcionamiento de la función filter(). Por ejemplo, un conjunto de datos de clientes como el siguiente que ya se utilizó en su momento en la serie de introducción a Julia.
julia> using DataFrames
julia> clients = DataFrame(
id=[1,2,3,4,5],
first_name=["Oralie" ,"Imojean" ,"Michele", "Ailbert", "Stevy"],
last_name=["Fidgeon" ,"Benet" ,"Woodlands", "Risdale", "MacGorman"],
age=[30 ,21 ,29 ,22, 24])
5×4 DataFrame
Row │ id first_name last_name age
│ Int64 String String Int64
─────┼─────────────────────────────────────
1 │ 1 Oralie Fidgeon 30
2 │ 2 Imojean Benet 21
3 │ 3 Michele Woodlands 29
4 │ 4 Ailbert Risdale 22
5 │ 5 Stevy MacGorman 24Filtrado de los clientes en base a la edad
En el conjunto de datos anterior una operación que podríamos realizar es eliminar aquellos clientes que no tienen una edad. Por ejemplo, eliminar los clientes que sean menores de 25 años. Para ello se puede usar la función filter() pasando como primer parámetro una función que se aplicará sobre cada una de las filas y retorne un valor verdadero o falso. Como segundo parámetro de la función se ha de pasar el DataFrame sobre el que se desea aplicar el filtro. De este modo, la función filter() devolverá un nuevo DataFrame con las filas para las que la función devuelve verdadero. Así, para aplicar el filtro indicado antes solamente hay que escribir
julia> filter(row -> row.age > 25, clients)
2×4 DataFrame
Row │ id first_name last_name age
│ Int64 String String Int64
─────┼─────────────────────────────────────
1 │ 1 Oralie Fidgeon 30
2 │ 3 Michele Woodlands 29En donde el filtro se ha definido mediante una función anónima.
Seleccionar filas en base al nombre del cliente
Otra posible opción de filtrado sería seleccionar aquellos clientes cuyo nombre contenga una a. Lo que nos dejará solamente dos clientes. Para lo que solamente es necesario cambiar la función anónima por otra que aplique contains() sobre el nombre y compruebe si existe o no la letra en el mismo. Lo que se puede hacer con la siguiente línea
julia> filter(row -> contains(row.first_name, 'a'), clients)
2×4 DataFrame
Row │ id first_name last_name age
│ Int64 String String Int64
─────┼─────────────────────────────────────
1 │ 1 Oralie Fidgeon 30
2 │ 2 Imojean Benet 21Combinar condiciones
Finalmente se pueden combinar las dos condiciones anteriores para seleccionar solamente aquellos elementos que cumplen ambas condiciones. Algo que es relativamente sencillo y se puede hacer simplemente mediante
julia> filter(row -> row.age > 25 && contains(row.first_name, 'a'), clients)
1×4 DataFrame
Row │ id first_name last_name age
│ Int64 String String Int64
─────┼─────────────────────────────────────
1 │ 1 Oralie Fidgeon 30Pudiéndose ver lo fácil que es crear filtros complejos en DataFrames de Julia. Solamente hay que refinar la función anónima con las condiciones que sean necesarias en cada caso.
Conclusiones
En esta ocasión se ha visto cómo, gracias al uso de la función filter(), es posible eliminar filas en DataFrame Julia en base a sus valores. Una función que ofrece grandes posibilidades al combinarlo con la potencia de las funciones anónimas disponibles en Julia.
Imagen de SplitShire en Pixabay
Deja una respuesta