Selección condicional con Pandas

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: bool

Ahora, 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