• 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: Eliminar filas en base a sus valores con Pandas

Pandas

febrero 21, 2022 Por Daniel Rodríguez Deja un comentario
Tiempo de lectura: 3 minutos

pandas

Al trabajar con conjuntos de datos es posible que sea necesario eliminar algunas de las filas o columnas en base a los valores de estas. Seleccionado solamente aquellas cuyos valores cumplen alguna condición. Esto es algo que se puede conseguir fácilmente el Pandas gracias a las posibilidades que ofrecen el uso de vectores booleanos en loc. Pudiéndose construir estos vectores al aplicar condiciones a las filas o conjuntos de filas de un objeto DataFrame. Veamos a continuación como se puede eliminar filas en base a sus valores en los objetos DataFrame de Pandas.

Conjunto de datos de ejemplo

Para estudiar la forma de eliminar las filas o columnas de un DataFrame Pandas una opción es crear un pequeño conjunto aleatorio, para lo que se puede usar la función randint() de NumPy. Por ejemplo, una matriz de cinco por cinco con valores enteros entre 0 y 8.

import numpy as np
import pandas as pd

np.random.seed(0)

df = pd.DataFrame(np.random.randint(9, size=(5, 5)))
df
   0  1  2  3  4
0  5  0  3  3  7
1  3  5  2  4  7
2  6  8  8  1  6
3  7  7  8  1  5
4  8  4  3  0  3

Eliminar filas en base al valor de una columna

Supongamos que en el conjunto de datos generado en la sección anterior se desea eliminar las filas en las que algún registro es igual a cero. Valores que existen en la segunda y cuarta columnas del DataFrame. Para ello se puede crear un vector booleano que sea cierto cuando el valor en la segunda columna sea diferente de cero y falso en caso contrario. Esto es, un vector que se puede obtener con la siguiente expresión df[1] != 0. Ahora, si este vector se usa para filtrar los registros con loc es posible generar un nuevo DataFrame en el que se elimina los registros donde hay un 0 en la segunda columna

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

df.loc[df[1] != 0, :]
   0  1  2  3  4
1  3  5  2  4  7
2  6  8  8  1  6
3  7  7  8  1  5
4  8  4  3  0  3

Tal como se puede ver en el ejemplo en este caso se ha eliminado la primera fila.

Eliminar filas en base al valor de múltiples columnas

Si hay múltiples filas con 0, como es el caso del conjunto de datos de ejemplo, puede ser un poco tedioso repetir la operación anterior para cada una de las columnas. Además de la necesidad de saber en cuales hay ceros. Pero para solucionar problemas como estos es por lo que en los DataFrame Pandas existen los métodos any() o all() con los cuales es posible combinar estas operaciones por filas o columnas. De este modo, el problema se puede solucionar simplemente comprobando las columnas en las que todos los valores son diferentes de 0.

df.loc[(df != 0).all(axis=1), :]
   0  1  2  3  4
1  3  5  2  4  7
2  6  8  8  1  6
3  7  7  8  1  5

En este ejemplo ha sido necesario indicar que el método all() se debe aplicar por columnas, ya que por defecto, como en la mayoría de los métodos similares de Pandas, se aplica por filas. Obteniendo el resultado de una manera bastante sencilla.

Eliminar columnas en base a los valores de las filas

De manera análoga a lo visto hasta ahora, también es posible eliminar las columnas en base a los valores de una o todas las filas del conjunto de datos. La única diferencia es que el filtro se debe aplicar en el segundo elemento de loc. Así para eliminar las columnas en las hay un cero en la primera fila simplemente se debe escribir

df.loc[:, df.loc[0, :] != 0]
   0  2  3  4
0  5  3  3  7
1  3  2  4  7
2  6  8  1  6
3  7  8  1  5
4  8  3  0  3

Por otro lado, para hacerlo filtrando por todas las filas se debería escribir.

df.loc[:,(df != 0).all()]
   0  2  4
0  5  3  7
1  3  2  7
2  6  8  6
3  7  8  5
4  8  3  3

Conclusiones

En esta ocasión se ha visto cómo se pueden combinar los vectores booleanos y loc para eliminar filas o columnas en base a los valores de los registros. Una operación que, cuando se entiende, es bastante más sencilla de lo que parece. Además de ser muy útil, ya que los vectores booleanos se pueden crear en base a múltiples condiciones.

¿Te ha parecido de utilidad el contenido?

¡Puntúalo entre una y cinco estrellas!

Puntuación promedio 0 / 5. Votos emitidos: 0

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
  • Guía Completa para Usar el Panda Planner: Tu Camino hacia la Productividad y el Bienestar

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

Guía Completa para Usar el Panda Planner: Tu Camino hacia la Productividad y el Bienestar

noviembre 19, 2026 Por Daniel Rodríguez

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

Publicidad

Es tendencia

  • Gráficos de barras en Matplotlib publicado el julio 5, 2022 | en Python
  • Identificar y eliminar duplicados en Excel publicado el marzo 13, 2019 | en Herramientas
  • Número óptimo de clústeres con Silhouette e implementación en Python publicado el junio 23, 2023 | en Ciencia de datos
  • Insertar minigráficos en Excel publicado el junio 8, 2022 | en Herramientas
  • Creación de gráficos de barras y gráficos de columnas con Seaborn publicado el julio 18, 2023 | en Python

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

4.9 (11)

Pandas: Cambiar los tipos de datos en los DataFrames

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