pivot_table: tablas de contingencia

Una tabla dinámica es una tabulación cruzada que resume los datos según dos dimensiones categóricas: una forma las filas y otra forma las columnas, con un valor agregado en cada celda. Si alguna vez ha creado una tabla dinámica en Excel, reconocerá el concepto de inmediato. Pandas proporciona pd.pivot_table() (así como su versión como método de DataFrame) para crear estos resúmenes completamente en Python.

Los cuatro parámetros principales de pd.pivot_table() son: values (la columna que se agregará), index (la columna que se convertirá en filas), columns (la columna que se convertirá en columnas) y aggfunc (la función de agregación, cuyo valor predeterminado es 'mean'). El resultado es un DataFrame en el que cada celda contiene el valor agregado para esa combinación de fila y columna.

El parámetro aggfunc acepta cualquier nombre de cadena de una función de agregación de NumPy/Pandas, una función invocable o una lista de funciones invocables. Algunas opciones habituales son: 'sum' para los totales, 'mean' para los promedios, 'count' para las frecuencias y 'min'/'max' para los extremos. Cuando pasa una lista, cada agregación obtiene su propio nivel en el MultiIndex de columnas.

Cuando una combinación de etiquetas de fila y columna no contiene datos, la celda contiene NaN de forma predeterminada. Pase fill_value para sustituir esas celdas vacías por un valor predeterminado significativo, como 0 para recuentos o ingresos. Esto facilita la lectura de la tabla y evita que las operaciones aritméticas posteriores produzcan resultados NaN silenciosamente.

Pase margins=True para añadir los totales de filas y columnas a la tabla dinámica. Pandas agrega una fila 'All' en la parte inferior y una columna 'All' a la derecha, que contienen los valores agregados de todas las categorías. Puede cambiar el nombre de la etiqueta de margen con margins_name. Esto equivale a la fila «Total general» de las tablas dinámicas de Excel.

El parámetro values puede ser una lista de nombres de columnas para agregar varias métricas a la vez. El resultado tiene un MultiIndex de columnas cuyo nivel externo es la columna de valores y cuyo nivel interno es la categoría. Esto permite crear una tabla resumen completa en una sola llamada, en lugar de crear y combinar varias tablas dinámicas independientes.

Cuando pasa una lista a index o columns, la tabla dinámica tiene un MultiIndex en el eje correspondiente. Esto permite crear resúmenes más detallados; por ejemplo, desglosar los ingresos por región y trimestre en las filas y por producto en las columnas. Acceda a los subniveles con .loc y las tuplas de índices como de costumbre.

Después de crear una tabla dinámica, el índice corresponde a la columna de agrupación y el MultiIndex de columnas (cuando se utilizan varios valores) puede resultar difícil de manejar. Un patrón habitual de limpieza consiste en llamar a reset_index() para aplanar el índice de filas y, después, reducir el MultiIndex de columnas a un solo nivel uniendo los niveles con un guion bajo mediante una comprensión de listas.

Tanto pivot_table como groupby().agg() generan estadísticas resumidas. La diferencia está en la forma del resultado: groupby().agg() devuelve un DataFrame en formato largo, con una fila por cada combinación de grupos, mientras que pivot_table devuelve una tabla en formato ancho, en la que una dimensión se convierte en columnas. Para paneles y reportes, el formato ancho de las tablas dinámicas suele ser más legible; para posteriores análisis estadísticos o de aprendizaje automático, se prefiere el formato largo.

Una tabla dinámica es un DataFrame normal, por lo que puede ordenarla, calcular columnas derivadas y darle formato exactamente como a cualquier otro DataFrame de Pandas. Por ejemplo, puede ordenar en orden descendente por una columna de producto específica para clasificar las regiones según el rendimiento de ese producto, o añadir una columna de porcentajes dividiendo cada celda por el total de su fila.

Las tablas dinámicas son una herramienta fundamental para crear reportes de gestión y paneles. Un flujo de trabajo habitual consiste en cargar datos de transacciones sin procesar, crear una tabla dinámica con los meses como columnas y las categorías de productos como filas, añadir los totales de margen y, después, exportarla a Excel. Todo el proceso, desde los datos sin procesar hasta una tabla lista para presentar a la dirección, requiere solo unas pocas llamadas a Pandas.

En esta lección ha aprendido lo siguiente: pd.pivot_table() crea resúmenes mediante tabulación cruzada, con una dimensión como filas y otra como columnas; fill_value gestiona las celdas vacías y margins=True añade los totales; puede agregar varios valores a la vez; y las tablas dinámicas generan resultados en formato ancho, ideales para reportes. A continuación, exploraremos la operación inversa: melt(), que convierte datos en formato ancho de nuevo a formato largo.