Filtrado, groupby y agregación
Mapa conceptual
Filtrar filas
Filtrar es quedarse con las filas que cumplen una condición, usando máscaras booleanas como en NumPy: df[df.ventas 100]. Se combinan condiciones con y y y paréntesis. También existe df.query(ventas 100), más legible para expresiones largas.
Seleccionar columnas
Antes o después de filtrar, eliges columnas: df[[region, ventas]] te trae solo lo necesario. Filtrar filas y seleccionar columnas suele ser el primer paso de cualquier análisis puntual.
La idea de groupby
Imagina agrupar las ventas por región: todas las filas de una misma región forman un grupo. df.groupby(region) crea el objeto de grupo; sobre él llamas a una función de resumen y Pandas la aplica a cada grupo por separado, devolviendo una fila de resultados por grupo.
Split-apply-combine
- Split: parte el DataFrame en grupos según una o varias columnas clave.
- Apply: ejecuta una función de resumen sobre cada grupo de forma independiente.
- Combine: vuelve a juntar los resultados en un nuevo DataFrame indexado por grupo.
Funciones de agregación
Las más comunes son sum, mean, count, min, max y std. df.groupby(region)[ventas].sum() responde «cuánto vendió cada región» en una línea. Se pueden agregar varias columnas a la vez pidiendo un subconjunto antes de agg.
agg: varias funciones
Con .agg([sum, mean, count]) obtienes varios estadísticos por grupo en una sola pasada, y con un diccionario puedes pedir funciones distintas por columna: ventas: sum, cliente: nunique. Es la forma expresiva de construir tablas resumen.
| Pregunta | Expresión (idea) | Resultado |
|---|---|---|
| Total por región | df.groupby(region)[ventas].sum() | una fila por región |
| Media por dos claves | df.groupby([region, año])... | índice multinivel |
| Recuento distinto | .agg(nunique) | valor único por grupo |
| Varias métricas | .agg([sum, mean]) | una columna por métrica |
¿Qué hace exactamente df.groupby(region)[ventas].mean()?
Filtrar tras agrupar
A veces quieres quedarte con grupos que cumplen algo: .filter(lambda g: len(g) 5) conserva solo los grupos con suficientes filas. Y con .transform aplicas un cálculo de grupo devolviendo el tamaño original, útil para restar la media de cada grupo fila a fila.
Índices multinivel
Al agrupar por varias columnas, el resultado tiene un índice multinivel (varios niveles). .reset_index() lo convierte de nuevo en columnas normales, facilitando exportar o seguir operando.
value_counts
Para contar categorías rápidas sin un groupby completo, value_counts() da la frecuencia de cada valor ordenada de mayor a menor. Es el resumen de una columna categórica en un gesto.
Ordenar resultados
Un resumen casi siempre se ordena para interpretarse: .sort_values(ventas, ascending=False) muestra primero lo importante. Agrupar, agregar y ordenar es la trinidad de las preguntas de negocio.
Errores frecuentes
- Aplicar la agregación a todas las columnas por descuido y obtener resultados sin sentido en las textuales.
- Olvidar reset_index y pelearte con un índice multinivel al exportar.
- Confundir count (no nulos) con nunique (distintos) al contar clientes.
Tras agrupar por varias columnas, reset_index() convierte los niveles del índice de nuevo en columnas.
De la pregunta al código
El valor de groupby es traduce preguntas de lenguaje natural a una línea: «media de notas por materia», «total gastado por cliente». Practicar esa traducción es volverte rápido interrogando datos.
Ordena las etapas del patrón split-apply-combine:
Dividir
Aplicar
Combinar
Presentar
Pandas Docs
Guía oficial de groupby y agregación.
Con un DataFrame de transacciones (fecha, cliente, producto, importe), escribe las expresiones para: importe total por cliente, y media de importe por producto y mes. ¿Qué estadístico usarías para saber qué cliente compra artículos más distintos?
Documentacion pandas
Guia de referencia para manipulacion de datos en Python.