Temario Lección 81 de 250 · Fundamentos de datos: numpy y pandas
Fundamentos de datos: numpy y pandas

Limpiar datos desordenados

Las tablas reales tienen huecos y tipos equivocados. pandas marca un valor que falta como NaN (Not a Number, no es un número). O lo rellenas o lo eliminas.

import pandas as pd
import numpy as np
df = pd.DataFrame({
    "name": ["Ada", "Bo", "Cy"],
    "age":  [30, np.nan, 35],
})
print(df["age"].fillna(0))    # replace NaN with 0
print(df.dropna())            # drop any row that has a NaN

Un truco habitual es rellenar los números que faltan con la media de la columna:

mean_age = df["age"].mean()        # NaN is ignored in the mean
df["age"] = df["age"].fillna(mean_age)

Cambia el tipo de una columna con astype, y cambia el nombre de las columnas con rename:

df["age"] = df["age"].astype(int)
df = df.rename(columns={"name": "first_name"})

Para transformar cada valor de una columna, usa apply con una función. Ejecuta la función en cada celda y devuelve una Series nueva:

def initial(s):
    return s[0]
df["letter"] = df["first_name"].apply(initial)
# you can also use a lambda:
df["letter"] = df["first_name"].apply(lambda s: s[0])
Tu turno

El DataFrame de abajo tiene una edad que falta (NaN). Rellena el valor que falta en la columna age con la media de la columna (ignorando NaN), y luego convierte toda la columna age a int. Por último, añade una columna nueva name_len con la longitud de cada nombre (usa .apply con len).

¿Has visto un problema en esta lección? Avísanos · Preguntar sobre esta lección

Este ejercicio se abre pronto

Termina la lección anterior y esta se desbloquea. Todo el curso es gratis, no hace falta cuenta, y puedes leer esta lección ahora mismo.