Fundamentos de Series y DataFrame
Cree e inspeccione estructuras de datos de Pandas desde diversas fuentes.
Fundamentos de Series y DataFrame es una lección gratuita de Python Academy en CoddyKit. Esta es la lección 1 de 4. Puedes leer la lección completa abajo gratuitamente — luego la practicas en el navegador con un editor de código integrado y un tutor de IA 24/7. Forma parte de la ruta de aprendizaje de Python Academy, y tu progreso se sincroniza en la web y la app de CoddyKit. El curso de Python Academy incluye 4 lecciones en total.
¿Qué es Pandas?
Pandas proporciona Series (array unidimensional etiquetado) y DataFrame (tabla bidimensional etiquetada) basados en NumPy y optimizados para el análisis de datos.
import pandas as pd
s = pd.Series([10, 20, 30], index=["a","b","c"])
print(s)
# a 10
# b 20
# c 30Creación de una Series
Cree una Series a partir de una lista, un diccionario o un escalar. El índice predeterminado utiliza enteros basados en cero.
import pandas as pd
# From list:
s1 = pd.Series([1, 2, 3])
# From dict (keys become index):
s2 = pd.Series({"x": 10, "y": 20})
# Scalar (broadcast):
s3 = pd.Series(5, index=range(4))
print(s3) # 0 5 / 1 5 / 2 5 / 3 5Creación de un DataFrame
Cree un DataFrame a partir de un diccionario de listas, una lista de diccionarios o un array de NumPy.
import pandas as pd
df = pd.DataFrame({
"name": ["Alice","Bob","Carol"],
"age": [30, 25, 35],
"score":[95.5, 87.0, 92.3]
})
print(df)Inspección básica
head(), tail(), shape, dtypes, info(), describe(): son los primeros pasos con cualquier conjunto de datos nuevo.
import pandas as pd
df = pd.read_csv("data.csv")
print(df.head()) # first 5 rows
print(df.shape) # (rows, cols)
print(df.dtypes) # column types
print(df.describe()) # count, mean, std, min...Acceso a columnas
Acceda a una columna mediante la notación de punto o los corchetes. La notación de punto falla con nombres de columna que contienen espacios o que entran en conflicto con atributos de DataFrame.
import pandas as pd
df = pd.DataFrame({"age":[30,25], "city":["NY","LA"]})
print(df["age"]) # preferred
print(df.age) # also works if name is simple
print(df[["age","city"]]) # multiple columnsFundamentos del índice
El índice etiqueta las filas. De forma predeterminada, utiliza 0, 1, 2..., pero puede establecerse con cualquier valor hashable.
import pandas as pd
df = pd.DataFrame({"val":[10,20,30]}, index=["a","b","c"])
print(df.loc["b"]) # row with label b
print(df.index) # Index(['a','b','c'])
# Reset to default integer index:
df.reset_index(drop=True, inplace=True)Añadir y eliminar columnas
Asigne un valor a una clave nueva para añadir una columna. Use drop() para eliminarla.
import pandas as pd
df = pd.DataFrame({"a":[1,2,3],"b":[4,5,6]})
df["c"] = df["a"] + df["b"] # new column
df.drop(columns=["b"], inplace=True)
print(df)Alineación de Series
Al combinar Series, Pandas las alinea según el índice. Las coincidencias que faltan producen NaN.
import pandas as pd
s1 = pd.Series([1,2,3], index=["a","b","c"])
s2 = pd.Series([10,20], index=["b","c"])
print(s1 + s2)
# a NaN
# b 12.0
# c 23.0to_dict y to_list
Convierta un DataFrame o una Series de nuevo a estructuras estándar de Python para exportarlas o inspeccionarlas.
import pandas as pd
df = pd.DataFrame({"x":[1,2],"y":[3,4]})
print(df.to_dict("records"))
# [{'x': 1, 'y': 3}, {'x': 2, 'y': 4}]
print(df["x"].to_list())
# [1, 2]Lectura de archivos
Pandas lee directamente archivos CSV, Excel, JSON, Parquet y SQL en DataFrames.
import pandas as pd
df_csv = pd.read_csv("data.csv")
df_excel = pd.read_excel("data.xlsx", sheet_name="Sheet1")
df_json = pd.read_json("data.json")
df_parq = pd.read_parquet("data.parquet")
# pd.read_sql("SELECT * FROM table", conn)Escritura de archivos
Exporte DataFrames a CSV, Excel, JSON y Parquet.
import pandas as pd
df = pd.DataFrame({"a":[1,2],"b":[3,4]})
df.to_csv("out.csv", index=False)
df.to_json("out.json", orient="records")
df.to_parquet("out.parquet")Comprobación rápida
¿Qué devuelve df.describe()?
Resumen
Una Series es un array etiquetado unidimensional; un DataFrame es una tabla etiquetada bidimensional. Acceda a las columnas con df["col"]. Use head(), describe() e info() para una inspección rápida. Lea y escriba archivos CSV, Excel, JSON y Parquet con las funciones integradas.
Preguntas frecuentes
¿La lección «Fundamentos de Series y DataFrame» es gratis?
Sí — el texto completo de «Fundamentos de Series y DataFrame» es gratis para leer aquí en la web. Para practicarla de forma interactiva (editor de código integrado y tutor de IA 24/7) y desbloquear el resto del curso de Python Academy, actualiza a CoddyKit PRO. El curso de Python Academy incluye 4 lecciones en total.
¿Qué aprenderé en «Fundamentos de Series y DataFrame»?
Cree e inspeccione estructuras de datos de Pandas desde diversas fuentes. Practicas Python Academy con código real que ejecutas directamente en el navegador, y un tutor de IA 24/7 responde tus preguntas mientras trabajas en la lección.
¿Necesito experiencia previa para empezar Python Academy?
No se requiere experiencia previa. Python Academy en CoddyKit está estructurado para principiantes hasta estudiantes avanzados, así que puedes empezar aquí o desde el inicio y avanzar a tu ritmo. Esta es la lección 1 de 4.
¿Cuánto tiempo toma la lección «Fundamentos de Series y DataFrame»?
La mayoría de las lecciones de CoddyKit toman alrededor de 5–10 minutos. Cada una es compacta e interactiva, así que avanzas constantemente y retomas exactamente por donde dejaste en la web y la app.
¿Puedo escribir y ejecutar código en esta lección de Python Academy?
Sí. Cada lección de Python Academy incluye un editor de código integrado, así que escribes y ejecutas código real directamente en tu navegador y obtienes retroalimentación instantánea de IA — sin configuración local necesaria.
Todas las lecciones de este curso
- Fundamentos de Series y DataFrame
- Indexación, filtrado y máscaras booleanas
- GroupBy, agregación y tablas dinámicas
- Fusión, combinación y limpieza de datos