Alineación y reindexación de índices

Uno de los comportamientos más potentes —y, en ocasiones, sorprendentes— de Pandas es la alineación automática de índices. Cuando suma, resta o combina de cualquier otra forma dos Series o DataFrame, Pandas los alinea primero según las etiquetas de sus índices antes de realizar la operación. Las etiquetas coincidentes se procesan entre sí; las etiquetas que no coinciden producen NaN. Esto evita errores silenciosos causados por datos desalineados y permite combinar de forma segura datos de distintos orígenes sin tener que ordenarlos o reordenarlos manualmente.

Cuando las etiquetas de los índices no coinciden, Pandas rellena las entradas que faltan con NaN. Esto es intencionado: indica que «no había ningún valor correspondiente en uno de los operandos». Compruebe siempre el resultado de las operaciones aritméticas entre dos Series o DataFrame para detectar valores NaN inesperados; son una señal de desalineación de índices. Use fill_value=0 en el método aritmético (s1.add(s2, fill_value=0)) para tratar los valores alineados que faltan como cero en lugar de propagar NaN.

La alineación se aplica tanto a las filas como a las columnas al combinar dos DataFrame. El resultado contiene la unión de ambos conjuntos de índices y de ambos conjuntos de columnas, con NaN donde cualquiera de los dos DataFrame no tenía un valor. Esto equivale a una combinación externa completa sobre los índices y las columnas simultáneamente. Esto significa que puede sumar de forma segura DataFrame de distintos periodos fiscales: los meses que existan en uno, pero no en el otro, reciben NaN, que después puede rellenar o eliminar.

df.reindex(new_index) devuelve un DataFrame nuevo adaptado a la lista de etiquetas new_index. Las etiquetas que existen tanto en el índice original como en el nuevo se conservan; las etiquetas que están en new_index pero no en el original reciben NaN; las etiquetas del original que no están en new_index se eliminan. Esta es la forma explícita de alinear un DataFrame con un conjunto de etiquetas de destino antes de realizar operaciones.

reindex() acepta un parámetro fill_value para sustituir las etiquetas nuevas por una constante y un parámetro method para el relleno hacia delante ('ffill') o hacia atrás ('bfill'). Estos métodos de relleno resultan especialmente útiles para datos de series temporales cuando reindexa una Series con un intervalo completo de fechas y desea rellenar los días que faltan con el último valor conocido en lugar de NaN.

reindex también funciona con columnas: df.reindex(columns=['col1', 'col2', 'new_col']). Las columnas nuevas que no existen en el DataFrame original se añaden con NaN. Las columnas existentes que no aparecen en la lista nueva se eliminan. Esto resulta útil para imponer un esquema de columnas canónico en varios DataFrame procedentes de distintos orígenes que pueden tener conjuntos de columnas incoherentes.

s1.align(s2) devuelve dos objetos nuevos con el mismo índice (la unión o la intersección, según el parámetro join), de modo que están preparados para realizar operaciones elemento a elemento. Esto equivale a reindexar simultáneamente ambos objetos con el mismo conjunto de etiquetas. Use join='inner' para conservar solo las etiquetas comunes o join='outer' (valor predeterminado) para conservar todas las etiquetas de ambos objetos, con NaN donde no coincidan.

Pandas ofrece dos enfoques para combinar DataFrame: merge/join (al estilo de SQL, con coincidencia explícita de claves) y operaciones aritméticas con alineación de índices (implícitas y basadas en etiquetas). Use merge cuando combine tablas estructuradas con columnas de claves explícitas. Use la alineación aritmética al realizar cálculos entre DataFrame que deban compartir naturalmente un índice; por ejemplo, al restar un DataFrame de costes de un DataFrame de ingresos, ambos indexados por (region, month).

Antes de realizar operaciones sobre dos DataFrame, compruebe si sus índices coinciden con (df1.index == df2.index).all(). Si los índices solo difieren en el orden, ordene ambos antes de compararlos. Para DataFrame cargados desde distintos orígenes, es recomendable alinearlos o reindexarlos explícitamente antes de realizar operaciones aritméticas, con el fin de evitar la propagación accidental de NaN. Documente cualquier suposición sobre la alineación en los comentarios o en los registros del flujo de datos.

Un patrón habitual al cargar datos desde varios archivos o llamadas a API es que cada lote abarque un subconjunto distinto de claves. Antes de concatenar o agregar, reindexe todos los lotes con el conjunto completo de claves conocido usando fill_value=0. Esto garantiza que todos los lotes tengan la misma forma (los mismos índices y las mismas columnas) antes de realizar operaciones, y evita discrepancias silenciosas de forma que provoquen resultados agregados incorrectos.

Hay dos casos extremos importantes: Etiquetas duplicadas — si ambas Series tienen etiquetas de índice duplicadas, la alineación produce una expansión similar a un producto cartesiano con muchos valores NaN (Pandas no asume qué duplicados corresponden entre sí). Asegúrese siempre de que los índices sean únicos antes de realizar una alineación aritmética. Índices enteros frente a índices de tipo object — un RangeIndex(0,5) y un Int64Index([0,1,2,3,4]) podrían no alinearse perfectamente después de algunas operaciones, porque uno se infiere y el otro se especifica explícitamente. Use reset_index(drop=True) para normalizarlos.

Compruebe su comprensión de la alineación y el reindexado de índices explicados en esta lección.

En esta lección ha aprendido que Pandas realiza una alineación automática de índices en las operaciones aritméticas y produce NaN para las etiquetas que no coinciden; reindex() adapta un DataFrame a un conjunto de etiquetas de destino, con opciones de relleno para las etiquetas ausentes; y align() sincroniza dos objetos con el mismo índice simultáneamente. A continuación, exploraremos las ventajas de rendimiento de los índices ordenados y cómo medirlas con timeit.