Escritura de DataFrames en archivos

El análisis de datos rara vez termina dentro de Python. Necesita compartir conjuntos de datos depurados con las partes interesadas, introducir los resultados en otras herramientas o archivar los datos procesados para poder reproducirlos. Pandas proporciona to_csv(), to_excel(), to_json() y to_parquet(), que reflejan las funciones de lectura y aceptan la mayoría de los mismos parámetros de configuración.

De forma predeterminada, to_csv() escribe el índice de las filas como la primera columna, lo que crea una columna unnamed: 0 al volver a leer el archivo. Pase index=False para omitir el índice; casi siempre es la opción correcta, salvo que el índice contenga datos significativos, como fechas. Especifique siempre index=False, a menos que tenga un motivo concreto para incluir el índice.

Pase sep= para escribir un archivo separado por tabuladores o por punto y coma. Use encoding= para especificar UTF-8 u otro juego de caracteres, algo esencial cuando los valores de las columnas contienen caracteres no ASCII, como tildes o caracteres chinos. encoding='utf-8-sig' añade una BOM (marca de orden de bytes) para garantizar la compatibilidad con Excel en Windows.

De forma predeterminada, Pandas escribe los valores flotantes con toda su precisión. Use float_format='%.2f' para limitar los valores a 2 decimales, algo importante en datos financieros, donde los decimales adicionales pueden resultar incorrectos para los lectores. Pase na_rep='NULL' o na_rep='' para controlar cómo se escriben los valores NaN en el archivo de salida.

df.to_excel('file.xlsx', sheet_name='Data', index=False) escribe el DataFrame en un libro de Excel. Al igual que con to_csv(), establezca index=False salvo que el índice sea significativo. Los parámetros startrow= y startcol= permiten colocar la tabla dentro de la hoja, lo que resulta útil para añadir una fila de título encima de los datos.

Para escribir varios DataFrames en distintas hojas del mismo libro, use pd.ExcelWriter como gestor de contexto. Llame a df.to_excel(writer, sheet_name='Name') para cada DataFrame dentro del bloque with. El libro se finaliza y se guarda al salir del contexto. Así evita crear varios archivos independientes para tablas relacionadas.

df.to_json() serializa un DataFrame en JSON. El parámetro orient= refleja el de read_json: use 'records' para una lista de diccionarios de filas (la opción más interoperable), 'columns' para un diccionario de arrays de columnas o 'index' para un diccionario cuyas claves sean las etiquetas de las filas. Pase indent=2 para aplicar un formato legible.

Para añadir filas a un CSV existente sin sobrescribirlo, abra el archivo en modo de adición mediante mode='a' y establezca header=False para evitar duplicar la fila de encabezados. Para Excel, use ExcelWriter con mode='a'. En procesos de streaming grandes, añada los datos por fragmentos y escriba los encabezados únicamente en el primer fragmento.

Una buena práctica antes de exportar consiste en seleccionar únicamente las columnas que necesita el destinatario y ordenar las filas de forma lógica. Esto hace que el archivo de salida sea más limpio y evita filtrar accidentalmente columnas internas, como identificadores internos, características codificadas o indicadores de depuración. Use la selección mediante corchetes y sort_values() en la misma expresión de pipeline antes de escribir.

Después de escribir el archivo, vuelva a leerlo y verifique siempre lo siguiente: compruebe shape, los nombres de las columnas y algunos valores seleccionados. En procesos de CI, compare las sumas de comprobación. En exportaciones financieras críticas, asegúrese de que los totales agregados coincidan. Esto permite detectar problemas de codificación, pérdida de precisión de los valores flotantes y problemas con el índice antes de que el archivo llegue a un consumidor posterior.

Para conjuntos de datos analíticos grandes, considere el formato Parquet en lugar de CSV. Parquet almacena los datos en formato columnar, admite compresión, conserva los dtypes exactamente y puede leer entre 10 y 100 veces más rápido en consultas analíticas. Escriba con df.to_parquet('data.parquet') y lea con pd.read_parquet('data.parquet'). Es necesario tener instalado pyarrow o fastparquet.

En esta lección ha aprendido: to_csv() y to_excel() exportan DataFrames y ambos incluyen el índice de forma predeterminada; establezca siempre index=False para obtener una salida limpia, ExcelWriter permite escribir varios DataFrames en hojas separadas dentro de un mismo libro y Parquet es una alternativa más rápida y eficiente en cuanto al espacio que CSV para grandes conjuntos de datos analíticos. A continuación, cargaremos archivos CSV remotos desde URL y analizaremos cadenas CSV en memoria con io.StringIO.