Reemplazo condicional de valores en Pandas

Los objetos DataFrame de Pandas son unas estructuras de datos fantásticas para el análisis y manipulación de los datos. Facilitando muchas tareas en el día a día. Por ejemplo, cuando se necesita reemplazar ciertos registros en función de los valores de estos u otros, esto es, cuando se desea realizar un reemplazo condicional de valores.

Conjunto de datos de ejemplo

En primer lugar, es necesario disponer de un conjunto de datos aleatorio, por lo cual se puede crear un con datos enteros, reales y cadenas de texto de forma aleatoria. Tal como el que se puede crear con el siguiente código.

import pandas as pd 
import numpy as np

np.random.seed(42)

# Crear DataFrame vacío 
df = pd.DataFrame()

# Agregar columnas con datos aleatorios
df['Col1'] = np.random.randint(0, 100, 12) 
df['Col2'] = np.random.randn(12) 
df['Col3'] = np.random.choice(['Alice', 'Bob', 'Caroline'], 12)

# Mostrar todo el DataFrame
df

    Col1      Col2      Col3
0     51  0.392580     Alice
1     92 -0.929185  Caroline
2     14  0.079832     Alice
3     71 -0.159517  Caroline
4     60  0.022222  Caroline
5     20 -0.427793     Alice
6     82 -0.531817     Alice
7     86 -0.117476  Caroline
8     74  0.222079       Bob
9     74 -0.767977     Alice
10    87  0.142465       Bob
11    99 -0.034652       Bob

Lo que crea un DataFrame con tres columnas y doce filas aleatorias. La primera con valores enteros entre 0 y 99, la segunda con valores reales y la tercera con uno de los tres nombres indicados.

Reemplazo condicional de valores

Para reemplazar condicionalmente los valores de un DataFrame en Pandas la opción más sencilla es realizar una selección booleana. Crear una lista con las posiciones de los valores que se desean reemplazar y usar .loc para seleccionarlos y asignarles un nuevo valor. Por ejemplo, en el caso de la columna 'Col2' existen valores que son negativos, se puede identificar todos aquellos que son menores de cero y reemplazar su valor por 0. Esto se puede conseguir con el siguiente código.

df.loc[df['Col2'] < 0, 'Col2'] = 0
df

    Col1      Col2      Col3
0     51  0.392580     Alice
1     92  0.000000  Caroline
2     14  0.079832     Alice
3     71  0.000000  Caroline
4     60  0.022222  Caroline
5     20  0.000000     Alice
6     82  0.000000     Alice
7     86  0.000000  Caroline
8     74  0.222079       Bob
9     74  0.000000     Alice
10    87  0.142465       Bob
11    99  0.000000       Bob

En primer lugar, lo que se hace es identificar los valores de 'Col2' que son negativos, usando para ellos la expresión df['Col2'] < 0. Lo que genera una serie con el número de filas con valores verdaderos o falsos. Utilizando esta serie para seleccionar con .loc[] los registros para los que el valor es verdadero, es decir, el dato es negativo. Una vez seleccionados los registros se le puede asignar un nuevo valor al subconjunto de datos.

Reemplazo de valores de tipo texto

El método descrito anteriormente se puede usar también para reemplazar valores de tipo texto. Solamente se tiene que crear la serie evaluando el contenido de la columna de texto. Por ejemplo, si se desea reemplazar la cadena 'Caroline' por 'Carol' se puede hacer.

df.loc[df['Col3'] == 'Caroline', 'Col3'] = 'Carol'
df

    Col1      Col2   Col3
0     51  0.392580  Alice
1     92  1.000000  Carol
2     14  0.079832  Alice
3     71  1.000000  Carol
4     60  1.022222  Carol
5     20  0.000000  Alice
6     82  0.000000  Alice
7     86  1.000000  Carol
8     74  1.222079    Bob
9     74  0.000000  Alice
10    87  1.142465    Bob
11    99  1.000000    Bob

Un proceso exactamente igual al visto en el apartado anterior. Si se usan los métodos .str de las Series de Pandas se puede realizar operaciones más complejas con las cadenas de texto. Se pueden identificar las columnas que contienen una letra y actualizar otros valores, no solo reemplazarlos. Por ejemplo, dar un punto más en la columna 'Col2' a aquellos registros que contenga una 'o' en la columna 'Col3'. Proceso que se muestra en el siguiente código.

df.loc[df['Col3'].str.contains('o') , 'Col2'] += 1
df

    Col1      Col2   Col3
0     51  0.392580  Alice
1     92  1.000000  Carol
2     14  0.079832  Alice
3     71  1.000000  Carol
4     60  1.022222  Carol
5     20  0.000000  Alice
6     82  0.000000  Alice
7     86  1.000000  Carol
8     74  1.222079    Bob
9     74  0.000000  Alice
10    87  1.142465    Bob
11    99  1.000000    Bob

Operación que, aunque no tiene mucho sentido, permite ver el potencial que ofrece esta forma de trabajar que permiten los DataFrames de Pandas.

Conclusiones

La selección booleana es una forma de trabajar con los DataFrame de Pandas que permite llevar a cabo un reemplazo condicional de valores de una forma fácil y sencilla. Cuando se comprende esta forma de trabajar se pueden realizar operaciones sencillas de una forma compacta y elegante, además de fácil de leer.