7. Operaciones y transformaciones en Pandas

Una vez que los datos están cargados y limpios, el siguiente paso es operar sobre ellos: realizar cálculos, aplicar funciones personalizadas y renombrar columnas o filas para ganar claridad. Pandas facilita estas tareas con una API intuitiva y expresiva.

Utilizaremos un DataFrame sencillo como base y recurriremos a NumPy cuando necesitemos funciones matemáticas adicionales.

7.1 Operaciones aritméticas y con funciones

Pandas permite ejecutar operaciones directamente sobre columnas de forma vectorizada, similar a lo que sucede en NumPy.

Operaciones básicas sobre columnas

import pandas as pd

datos = {
    "Nombre": ["Ana", "Luis", "Carla", "Pedro"],
    "Edad": [23, 35, 29, 42],
    "Salario": [55000, 72000, 61000, 83000]
}

df = pd.DataFrame(datos)

# Aumentar salario en 10%
df["Salario_ajustado"] = df["Salario"] * 1.10

# Calcular el doble de la edad
df["Edad_doble"] = df["Edad"] * 2

print(df)

Salida:

  Nombre  Edad  Salario  Salario_ajustado  Edad_doble
0    Ana    23   55000          60500.0          46
1   Luis    35   72000          79200.0          70
2  Carla    29   61000          67100.0          58
3  Pedro    42   83000          91300.0          84

Uso de funciones matemáticas

import numpy as np

# Logaritmo del salario
df["Log_Salario"] = np.log(df["Salario"])

# Raíz cuadrada de la edad
df["Raíz_Edad"] = np.sqrt(df["Edad"])

print(df.head())

👉 Estas operaciones son vectorizadas: se aplican a toda la columna de forma eficiente, mucho más rápido que iterar con for.

7.2 Aplicación de funciones personalizadas (apply, map)

En ocasiones necesitamos lógicas propias para transformar los datos. Las funciones map(), apply() y el método DataFrame.map() permiten incorporar reglas personalizadas.

map(): aplicar funciones sobre una Serie

# Convertir nombres a mayúsculas
df["Nombre_mayus"] = df["Nombre"].map(str.upper)

# Evaluar si la edad es par o impar
df["Edad_paridad"] = df["Edad"].map(lambda x: "Par" if x % 2 == 0 else "Impar")

print(df)

apply(): operar sobre columnas o filas

# Calcular impuestos (20% del salario)
df["Impuesto"] = df["Salario"].apply(lambda x: x * 0.20)

# Calcular ingreso neto fila por fila
df["Ingreso_neto"] = df.apply(lambda fila: fila["Salario"] - fila["Impuesto"], axis=1)

👉 Recordá que axis=0 opera sobre columnas y axis=1 sobre filas.

DataFrame.map(): transformar todo el DataFrame

# Crear un mini DataFrame de números
df_num = pd.DataFrame([[1, -2], [3, -4]], columns=["A", "B"])

# Aplicar valor absoluto a cada elemento
df_abs = df_num.map(abs)
print(df_abs)

7.3 Renombrar columnas y filas

Renombrar columnas o índices ayuda a documentar mejor los datos y preparar reportes más claros.

Renombrar columnas

# Renombrar columnas específicas
df_renombrado = df.rename(columns={"Nombre": "Empleado", "Edad": "Años"})
print(df_renombrado.head())

# Renombrar todas las columnas de una vez
df.columns = [
    "Empleado", "Años", "Sueldo", "Salario_ajustado",
    "Edad_doble", "Log_Salario", "Raíz_Edad",
    "Nombre_mayus", "Edad_paridad", "Impuesto", "Ingreso_neto"
]
print(df.head())

Renombrar índices (filas)

# Asignar índices personalizados con set_axis
df = df.set_axis(["Fila1", "Fila2", "Fila3", "Fila4"], axis="index")
print(df.head())

# Renombrar índices específicos
df = df.rename(index={"Fila1": "Registro_Ana", "Fila2": "Registro_Luis"})
print(df.head())

Resumen del tema 7

  • Las operaciones aritméticas se ejecutan directamente sobre columnas con soporte vectorizado.
  • map() transforma Series, mientras que apply() y DataFrame.map() extienden la lógica a filas completas o al DataFrame.
  • rename() ajusta nombres de columnas o índices para mantener consistencia.
  • Combinar estas herramientas convierte datos crudos en información lista para análisis y visualización.
Volver al inicio