• 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

Reemplazo condicional de valores en Pandas

Pandas

junio 19, 2023 Por Daniel Rodríguez Deja un comentario
Tiempo de lectura: 4 minutos

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.

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

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.

¿Te ha parecido de utilidad el contenido?

¡Puntúalo entre una y cinco estrellas!

Puntuación promedio 4 / 5. Votos emitidos: 1

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

  • Instantáneas de VirtualBox (Snapshots) publicado el marzo 27, 2019 | en Herramientas
  • pandas Pandas: Cómo crear un DataFrame vacío y agregar datos publicado el noviembre 16, 2020 | en Python
  • Identificando celdas con espacios en blanco en Excel publicado el noviembre 5, 2018 | en Herramientas
  • Gráficos de barras en Matplotlib publicado el julio 5, 2022 | en Python
  • Solución del error 504 Gateway Timeout en NGINX publicado el abril 10, 2024 | en Herramientas

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

4.1 (11)

Aplicar el método D’Hondt en Excel

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