Al importar un conjunto de datos en una sesión de Python no todos los registros de este tienen porque ser de interés para el análisis que se pretende realizar. Por lo que saber seleccionar los elementos necesarios de una forma rápida es de gran ayuda a la hora de realizar casi cualquier trabajo. Siendo esta una tarea que se puede realizar fácilmente si se aprovechan correctamente las propiedades que tienen los objetos DataFrames de Pandas. A continuación, se mostrará como realizar una selección condicional con Pandas de los elementos de un conjunto de datos para quedarse únicamente con aquellos que son de interés en cada momento.
Carga de un conjunto de datos
Antes de poder ver como realizar una selección condicional con Pandas es necesario disponer de un conjunto de datos. Para lo que se puede importar cualquiera de los que viene de ejemplo en los diferentes paquetes instalados habitualmente en Python. En esta ocasión se usará los datos de Pingüinos que se encuentran en el paquete Seaborn, el cual se puede cargar en memoria con el siguiente código
from seaborn import load_dataset
penguins = load_dataset('penguins')
penguins.head()species island bill_length_mm bill_depth_mm flipper_length_mm body_mass_g sex 0 Adelie Torgersen 39.1 18.7 181.0 3750.0 MALE 1 Adelie Torgersen 39.5 17.4 186.0 3800.0 FEMALE 2 Adelie Torgersen 40.3 18.0 195.0 3250.0 FEMALE 3 Adelie Torgersen NaN NaN NaN NaN NaN 4 Adelie Torgersen 36.7 19.3 193.0 3450.0 FEMALE
Un conjunto de datos que cuenta con 7 características y 344 registros.
Selección condicional de las filas que cumplen una condición
El tipo de selección más habitual con la que nos podemos encontrar es seleccionar todos aquellos registros que cumplen una condición. Por ejemplo, que el peso del pingüino supere un cierto umbral. Para ello se puede seleccionar la columna con la característica aplicar la condición sobre esta, obteniendo un vector de valores lógicos con el que se puede saber cuales son las filas que cumplen la condición.
penguins['body_mass_g'] > 5900
0 False
1 False
2 False
3 False
4 False
...
339 False
340 False
341 False
342 False
343 False
Name: body_mass_g, Length: 344, dtype: boolAhora, este resultado se puede usar para filtrar los registros. Para lo que únicamente se debe pasar el vector entre corchetes al DataFrame. Así, el listado de pingüinos que superar los 5900 gramos de peso son los que se obtienen con
penguins[penguins['body_mass_g'] > 5900]
species island bill_length_mm bill_depth_mm flipper_length_mm body_mass_g sex 237 Gentoo Biscoe 49.2 15.2 221.0 6300.0 MALE 253 Gentoo Biscoe 59.6 17.0 230.0 6050.0 MALE 297 Gentoo Biscoe 51.1 16.3 220.0 6000.0 MALE 299 Gentoo Biscoe 45.2 16.4 223.0 5950.0 MALE 331 Gentoo Biscoe 49.8 15.9 229.0 5950.0 MALE 337 Gentoo Biscoe 48.8 16.2 222.0 6000.0 MALE
Comprobando que en este caso solamente quedan 6 de los 344 pingüinos del conjunto de datos original.
Combinación de varias condiciones en una selección
Filtrar los datos en base a una condición es algo bastante útil, pero en la mayoría de los casos es posible que necesitemos usar más. Afortunadamente los vectores lógicos se pueden combinar mediante los operadores lógicos para seleccionar los registros que cumplen dos condiciones (&), una de dos (|), no cumple una (~) o cualquier combinación de ellas que se nos pueda ocurrir.
Así se puede seleccionar de una manera fácil todos pingüinos que tengan un peso mayor a 4900 gramos y sean de género femenino.
penguins[(penguins['body_mass_g'] > 4900) & (penguins['sex'] == 'FEMALE')]
species island bill_length_mm bill_depth_mm flipper_length_mm body_mass_g sex 241 Gentoo Biscoe 45.1 14.5 215.0 5000.0 FEMALE 244 Gentoo Biscoe 42.9 13.1 215.0 5000.0 FEMALE 252 Gentoo Biscoe 45.1 14.5 207.0 5050.0 FEMALE 254 Gentoo Biscoe 49.1 14.8 220.0 5150.0 FEMALE 256 Gentoo Biscoe 42.6 13.7 213.0 4950.0 FEMALE 268 Gentoo Biscoe 44.9 13.3 213.0 5100.0 FEMALE 293 Gentoo Biscoe 46.5 14.8 217.0 5200.0 FEMALE 310 Gentoo Biscoe 47.5 15.0 218.0 4950.0 FEMALE 322 Gentoo Biscoe 47.2 15.5 215.0 4975.0 FEMALE 330 Gentoo Biscoe 50.5 15.2 216.0 5000.0 FEMALE 338 Gentoo Biscoe 47.2 13.7 214.0 4925.0 FEMALE 342 Gentoo Biscoe 45.2 14.8 212.0 5200.0 FEMALE
En este caso es importante usar paréntesis para encerrar las condiciones básicas como se muestra en el ejemplo anterior. Ya que, en caso contrario, posiblemente nos se obtenga un fallo de sintaxis ya que la condición no se interpretará correctamente. Si se desea obtener los registros que cumplen ambas condiciones solamente hay que reemplazar el operador & por |.
Por otro lado, es posible invertir la selección mediante el operador negación ~, simplemente poniendo esté delante de la condición. Así para seleccionar todos aquellos pingüinos que no tiene un peso por encima de 4900 y no son de género femenino se puede escribir algo como
penguins[~((penguins['body_mass_g'] > 4900) & (penguins['sex'] == 'FEMALE'))]
Obteniendo como resultado los 332 registros que no verifican ambas condiciones, por lo que en esta ocasión se ha omitido la salida por cuestiones de espacio.
Selección condicional en Pandas de filas y columnas
Si al mismo tiempo que se seleccionan filas en base a los valores de algunas columnas, también se desea restringir las columnas exportadas esto se puede conseguir con loc[]. Indicando un filtro construido tal como se ha indicado en la sección anterior y un listado con el nombre de las columnas. Recordando que se tienen que escribir entre corchetes, no paréntesis, y separados por una coma. Así, para seleccionar las columnas con los datos del pico y el peso de los pingüinos con más de 5900 gramos de peso se puede usar el siguiente ejemplo.
penguins.loc[penguins['body_mass_g'] > 5900, ['bill_length_mm', 'bill_depth_mm', 'body_mass_g']]
bill_length_mm bill_depth_mm body_mass_g 237 49.2 15.2 6300.0 253 59.6 17.0 6050.0 297 51.1 16.3 6000.0 299 45.2 16.4 5950.0 331 49.8 15.9 5950.0 337 48.8 16.2 6000.0
Nótese que se ha obtenido en el mismo paso un DataFrame con menos columnas y los registros que cumplen la condición indicada.
Conclusiones
Hoy se ha visto cómo es posible realizar gracias a las propiedades de los objetos DataFrame de Pandas tareas que son de un alto valor añadido. Además de ser fáciles y rápidas de implementar. Seleccionado aquellos valores de un conjunto de datos que tienen interés para la tarea que se lleva a cabo, omitiendo el resto de ellos.
Imagen de Jan Vašek en Pixabay
Deja una respuesta