Series y DataFrame — las dos estructuras fundamentales de pandas

El problema que vamos a resolver

En el capítulo anterior escribimos una línea y funcionó:

print(sales["quantity"].sum())

19

La línea es fácil de leer, pero oculta una pregunta. ¿Qué devolvió sales["quantity"]? ¿Una lista? Las listas no tienen .sum(): escribir [12, 5, 2].sum() en Python genera un error.

Vale la pena saber la respuesta, porque en pandas siempre tienes en tus manos una de dos cosas, y casi todas las dudas empiezan con la misma pregunta: ¿cuál de las dos tengo en este momento? ¿Una columna o una tabla entera?

Este capítulo trata sobre esas dos cosas: sus nombres, sus formas y qué las diferencia.

Al final de este capítulo podrás

• Explicar en una sola oración qué diferencia a una Series de un DataFrame
• Crear una Series e inspeccionar su índice, sus valores y su tipo por separado
• Explicar por qué cada valor de una columna debe compartir el mismo tipo
• Usar df["col"] y df[["col"]] sabiendo cuál es cuál
• Leer un KeyError y saber con exactitud qué falló en el nombre de una columna

Requisitos previos: instalar pandas y tu primera tabla.

Series — una columna

Comienza con la unidad más pequeña. Una Series es una secuencia de valores, cada uno emparejado con un nombre:

import pandas as pd

quantity = pd.Series([12, 5, 2])

print(quantity)

0    12
1     5
2     2
dtype: int64

Entraron tres valores y salieron tres pares. Los números 0, 1, 2 de la izquierda son el índice: un nombre para cada valor. Tú no los indicaste; pandas empezó a contar desde cero.

Y en la parte inferior, dtype: int64: el tipo de toda la serie. Un solo tipo, no uno por cada valor. Eso es lo que hace que pandas sea rápido, y también es su principal limitación.

Estas tres partes se pueden examinar por separado:

import pandas as pd

quantity = pd.Series([12, 5, 2])

print(quantity.index)
print(quantity.values)
print(quantity.dtype)

RangeIndex(start=0, stop=3, step=1)
[12  5  2]
int64

RangeIndex significa que el índice no es más que un conteo: empieza en cero y sube de uno en uno. values son los valores sin sus nombres. Y dtype es el tipo de toda la columna.

Un índice no tiene por qué ser numérico:

import pandas as pd

quantity = pd.Series([12, 5, 2], index=["pen", "notebook", "bag"])

print(quantity)
print(quantity["notebook"])

pen         12
notebook     5
bag          2
dtype: int64
5

Ahora las filas llevan los nombres de los productos y se puede obtener un valor mediante ese nombre. Esto suena como un diccionario de Python, y la similitud es real, con una gran diferencia:

import pandas as pd

quantity = pd.Series([12, 5, 2], index=["pen", "notebook", "bag"])

print(quantity * 2)

pen         24
notebook    10
bag          4
dtype: int64

Toda la columna se multiplicó por dos a la vez, sin ningún bucle. Hacer eso con un diccionario implica recorrer cada valor por tu cuenta. Aplica una operación a una Series y pandas la aplicará a cada valor; todos los capítulos siguientes se basan en este comportamiento.

DataFrame — varias columnas, un solo índice

Un DataFrame son varias Series lado a lado que comparten un índice.

import pandas as pd

sales = pd.DataFrame({
    "product": ["pen", "notebook", "bag"],
    "quantity": [12, 5, 2],
    "price": [15.0, 60.0, 850.0],
})

print(sales)
print(sales.shape)
print(sales.columns)

product  quantity  price
0       pen        12   15.0
1  notebook         5   60.0
2       bag         2  850.0
(3, 3)
Index(['product', 'quantity', 'price'], dtype='object')

Esa frase «comparten un índice» es la esencia de todo. product, quantity y price en el índice 0 hacen referencia a lo mismo: un bolígrafo. El índice es lo que une tres columnas en filas.

Una tabla, varios tipos — pero una columna, un solo tipo

import pandas as pd

sales = pd.DataFrame({
    "product": ["pen", "notebook", "bag"],
    "quantity": [12, 5, 2],
    "price": [15.0, 60.0, 850.0],
})

print(sales.dtypes)

product      object
quantity      int64
price       float64
dtype: object

Tres columnas, tres tipos. int64 representa números enteros, float64 decimales y object, que generalmente significa texto.

Observa que no aparece str. Los tipos de pandas provienen de NumPy, donde cada valor ocupa la misma cantidad de espacio; algo posible para números, pero no para texto de longitud variable. Así que, para almacenar texto, pandas guarda punteros a objetos de Python, y a esa estructura se la llama object.

Ahora, la regla importante: cada valor de una columna comparte el mismo tipo. Entonces, ¿qué ocurre cuando se mezclan números y texto en una sola columna?

import pandas as pd

mixed = pd.Series([1, "two", 3.0])

print(mixed)
print(mixed.dtype)

0      1
1    two
2    3.0
dtype: object

Pandas no genera ningún error: asigna object a toda la columna, recurriendo al tipo más permisivo disponible. La consecuencia no es llamativa, es silenciosa: la columna deja de ser numérica, por lo que .mean() fallará en ella y .sum() empezará a unir texto. Un N/A suelto en una sola fila de un archivo CSV provoca exactamente esto, y ese será el tema del capítulo seis.

¿Cuál de los dos tengo: una Series o un DataFrame?

import pandas as pd

sales = pd.DataFrame({
    "product": ["pen", "notebook", "bag"],
    "quantity": [12, 5, 2],
    "price": [15.0, 60.0, 850.0],
})

column = sales["quantity"]

print(type(column))
print(type(sales))
print(column.mean())

<class 'pandas.core.series.Series'>
<class 'pandas.core.frame.DataFrame'>
6.333333333333333

Y aquí está la respuesta a la pregunta con la que abrimos este capítulo. sales["quantity"] no es una lista, es una Series, y una Series tiene .sum(), .mean(), .max() y los demás métodos.

También hay aquí un par de casos que desconcierta a todo el mundo la primera vez:

import pandas as pd

sales = pd.DataFrame({
    "product": ["pen", "notebook", "bag"],
    "quantity": [12, 5, 2],
    "price": [15.0, 60.0, 850.0],
})

print(sales["quantity"])
print("---")
print(sales[["quantity"]])

0    12
1     5
2     2
Name: quantity, dtype: int64
---
   quantity
0        12
1         5
2         2

Un solo corchete adicional y el resultado es un tipo de objeto completamente distinto. El primero es una Series: una columna, con su nombre y tipo impresos debajo. El segundo es un DataFrame: una tabla que casualmente tiene una sola columna, por lo que el encabezado de la columna se sitúa arriba.

La regla es que los corchetes interiores representan una lista de columnas, y pedir una lista te devuelve una tabla. Así, sales[["product", "price"]] produce una tabla de dos columnas.

¿Por qué tener en cuenta esta distinción? Porque aquí es donde los mensajes de error divergen. Una Series tiene .mean(), pero no nombres de columnas; un DataFrame selecciona columnas, pero no devuelve un solo número. Cuando un mensaje indica que un objeto no tiene dicho atributo, la primera pregunta es: ¿cuál de los dos tengo realmente en mis manos?

Un ejemplo completo

inventory.py:

import pandas as pd

# Product names become the index, so a row can be reached by name.
stock = pd.DataFrame(
    {
        "quantity": [12, 5, 2, 30],
        "price": [15.0, 60.0, 850.0, 8.0],
    },
    index=["pen", "notebook", "bag", "eraser"],
)

print(stock)
print()
print("Shape      :", stock.shape)
print("Columns    :", list(stock.columns))
print("Index      :", list(stock.index))
print()

# A column is a Series, so an operation applies to every value at once.
value = stock["quantity"] * stock["price"]
print("Value per product:")
print(value)
print()
print("Total value:", value.sum())

quantity  price
pen             12   15.0
notebook         5   60.0
bag              2  850.0
eraser          30    8.0

Shape      : (4, 2)
Columns    : ['quantity', 'price']
Index      : ['pen', 'notebook', 'bag', 'eraser']

Value per product:
pen          180.0
notebook     300.0
bag         1700.0
eraser       240.0
dtype: float64

Total value: 2420.0

Vale la pena fijarse en dos detalles.

En primer lugar, stock["quantity"] * stock["price"] multiplicó dos Series y produjo otra Series. Pandas las emparejó por índice: la cantidad de bolígrafos con el precio del bolígrafo, la de mochilas con el de la mochila. Por nombre, no por orden de fila. Ese comportamiento es la base para unir dos tablas más adelante.

En segundo lugar, el tipo de la columna resultante es float64, aunque quantity era int64. Multiplicar un número entero por un decimal da como resultado un decimal: la misma regla que en Python estándar; pandas no está haciendo nada nuevo aquí.

Cuando algo falla

KeyError: 'Quantity' Esa columna no existe. Los nombres de columna distinguen entre mayúsculas y minúsculas, y los nombres provenientes de un archivo CSV a menudo contienen espacios al principio o al final. Ejecuta print(list(df.columns)) para ver exactamente qué hay allí: imprimirlos como una lista añade comillas a cada uno, por lo que cualquier espacio quedará a la vista.

AttributeError: 'DataFrame' object has no attribute 'mean_price' df.column_name también obtiene una columna, pero solo con nombres simples; no cuando el nombre contiene un espacio, empieza por un dígito o coincide con un método de pandas como count. df["column_name"] funciona siempre, así que acostúmbrate a escribir esa forma.

TypeError: unsupported operand type(s) al realizar cálculos en una columna numérica La columna probablemente no sea numérica. Comprueba df.dtypes; ver un object allí significa que hay texto mezclado en alguna parte.

.sum() une texto en lugar de sumar números La misma causa: la columna es object. Un solo N/A o una celda vacía en una sola fila es suficiente para cambiar el tipo de toda la columna.

ValueError: All arrays must be of the same length Las listas pasadas a pd.DataFrame({...}) no tienen la misma longitud. Cada columna necesita el mismo número de valores, porque las filas deben alinearse sobre un índice compartido.

Tu turno

Escribe un archivo llamado library.py que contenga un DataFrame de al menos cinco libros: los títulos como índice y columnas para la cantidad de ejemplares (números enteros), el precio (decimales) y el nombre del autor (texto).

Luego imprime:

1. Toda la tabla, su shape y sus dtypes
2. La columna de precio por sí sola — y muestra con type() que es una Series
3. La columna de precio con corchetes dobles — y muestra que esta es un DataFrame
4. El valor total de cada libro (ejemplares × precio) y el total de todos ellos

Después, haz un experimento: reemplaza una de las cantidades de ejemplares por "unknown" y vuelve a ejecutar el archivo. ¿Qué indica dtypes ahora y qué ocurrió con el total?

Estos son los cinco minutos más valiosos de este capítulo. Una sola palabra en una celda cambia el tipo de toda una columna y rompe los cálculos aritméticos sin generar ningún error; y con datos reales, esto ocurre constantemente.