1. Introducción a Pandas

Pandas es una librería de Python especializada en el manejo y análisis de datos. Su nombre proviene de Panel Data (datos en panel), un término de la econometría.

Lo que hace a Pandas tan popular es que ofrece estructuras de datos potentes y flexibles que permiten trabajar con información tabular (como hojas de cálculo o tablas de bases de datos) de manera sencilla y eficiente.

1.1 ¿Por qué es tan usado en Ciencia de Datos?

  • 📊 Facilidad de uso: Permite cargar, limpiar y transformar datos con muy pocas líneas de código.
  • ⚡ Rendimiento: Está construido sobre NumPy, lo que le da gran velocidad para operaciones numéricas.
  • 🔄 Interoperabilidad: Se integra con muchas otras librerías como Matplotlib, Seaborn, Scikit-Learn y frameworks de bases de datos.
  • 🛠 Versatilidad: Sirve para tareas de preprocesamiento, análisis estadístico, manipulación de datos y visualización.

En pocas palabras: Pandas es la herramienta estándar para manipulación de datos en Python, y es prácticamente imposible trabajar en Ciencia de Datos sin usarla.

1.2 Instalación y primeros pasos

Para comenzar a usar Pandas, lo instalamos desde pip, el gestor de paquetes de Python:

pip install pandas

💡 Consejo: muchas distribuciones para Ciencia de Datos como Anaconda ya traen Pandas instalado por defecto.

1.3 Primer programa con Pandas

Una vez instalado, se importa con la convención estándar:

import pandas as pd

# Crear una Serie (columna de datos)
serie = pd.Series([10, 20, 30, 40, 50])
print("Serie:")
print(serie)

# Crear un DataFrame (tabla)
datos = {
    "Nombre": ["Ana", "Luis", "Carla", "Pedro"],
    "Edad": [23, 35, 29, 42],
    "Ciudad": ["Córdoba", "Buenos Aires", "Rosario", "Mendoza"]
}
df = pd.DataFrame(datos)

print("\nDataFrame:")
print(df)
Salida esperada en consola de Series y DataFrame en Pandas

Salida esperada:

Serie:
0    10
1    20
2    30
3    40
4    50
dtype: int64

DataFrame:
  Nombre  Edad       Ciudad
0    Ana    23      Córdoba
1   Luis    35  Buenos Aires
2  Carla    29      Rosario
3  Pedro    42      Mendoza

Vemos que Series son como columnas individuales y DataFrames son tablas completas. Estas dos estructuras son la base de todo lo que haremos con Pandas.

1.4 Diferencias con NumPy y cuándo usar cada uno

Aunque Pandas está construido sobre NumPy, existen diferencias importantes:

Comparativa entre NumPy y Pandas
Característica NumPy Pandas
Estructura principal Arrays multidimensionales Series (1D) y DataFrames (2D)
Tipo de datos Homogéneos (todos del mismo tipo) Heterogéneos (cada columna puede tener distinto tipo)
Indexación Numérica (0, 1, 2, ...) Etiquetas personalizadas (nombres de columnas, índices de filas)
Casos de uso Cálculos matemáticos, álgebra lineal, simulaciones numéricas Manejo de datos tabulares, limpieza, análisis y preprocesamiento
Facilidad de uso Más técnico y matemático Más cercano a hojas de cálculo o SQL

¿Cuándo usar cada uno?

NumPy: cuando necesitás operaciones numéricas de bajo nivel, trabajar con vectores y matrices homogéneas, álgebra lineal, transformaciones rápidas y simulaciones matemáticas.

Pandas: cuando trabajás con datos tabulares (como hojas de Excel, CSV o bases de datos), necesitás manipular columnas con distintos tipos de datos (texto, fechas, números) y realizar análisis más cercanos a la práctica de la Ciencia de Datos.

Lo ideal es usar ambos de manera complementaria: NumPy para cálculos intensivos y Pandas para manipulación de datos.

Volver al inicio