Python Data Science Program
📓 Abrir notebook en GitHub

Clase 022 — Pandas: Series y DataFrame

Parte: 0 — Prerrequisitos · Fuente: VanderPlas, cap. 3, §§ 3.1–3.2 Introducing Pandas Objects. ⏱️ Duración estimada: 90 min.

🎯 Objetivo

Que el alumno entienda qué es una Series (ndarray + index) y un DataFrame (dict de Series alineadas por index), cómo se construyen desde 5 fuentes distintas, y por qué el index es el rasgo que distingue pandas de NumPy.

📚 Resultados de aprendizaje

Al finalizar la clase, el alumno podrá:

  1. Crear Series y DataFrames desde dict, lista de tuplas, arrays NumPy, CSV y desde otro DataFrame.
  2. Inspeccionar un DataFrame con head, tail, info, describe, dtypes, shape.
  3. Acceder a columnas como atributo (df.col) y como key (df['col']) — y saber cuándo cada uno falla.
  4. Modificar el index con set_index, reset_index, rename.
  5. Convertir Series ↔ DataFrame ↔ ndarray cuando sea necesario.

🗺️ Temas

# Tema Por qué importa
1 Series = ndarray + index Index permite alineación automática.
2 DataFrame = dict de Series alineadas Por eso df['col'] devuelve Series.
3 Construcción desde 5 fuentes dict, lista de dicts, arrays, CSV, Series.
4 .loc vs .iloc vs [] Tres formas de acceso.
5 Index labels vs posición El bug clásico cuando el index no es 0..N.
6 info y describe como first-look Lo primero que mira un DS.

📌 Versión profundizada — 2026

El tema moderno que vivía como complemento dentro de esta clase ahora tiene clase propia dedicada:

📖 Definiciones y características

Series
Estructura 1D = ndarray + index labelled. s[label] accede por etiqueta, s.iloc[N] por posición. Característica clave: el index permite alineación automática entre Series.
DataFrame
Estructura 2D = dict de Series que comparten el mismo index. Cada columna puede tener su propio dtype (a diferencia de un ndarray). df['col'] devuelve Series.
Index
Estructura que etiqueta cada fila (o columna). Puede ser entero default (RangeIndex), strings, fechas (DatetimeIndex), o jerárquico (MultiIndex). Inmutable — para cambiarlo, set_index/reset_index.
Alineación automática
Cuando operas dos Series/DataFrames, pandas alinea por index, NO por posición. Posiciones sin match → NaN. Esto es lo que distingue pandas de NumPy.
dtype en pandas
Cada columna tiene su dtype. Tipos clásicos: int64, float64, bool, object (strings o mixto). Modernos (NA-aware): Int64, Float64, boolean, string, category.

📂 Dataset / recursos

Palmer Penguins (descargable con seaborn/palmerpenguins) — 344 filas × 7 columnas, públicas, sin issues de licencia. Reemplaza al iris dataset.

🧪 Ejercicios

1. Series desde dict. Crea Series con población de 5 ciudades. Accede por label y por posición.

2. DataFrame desde dict de listas. Construye DataFrame de 5 estudiantes (nombre, edad, nota). Inspecciona con info() y describe().

3. Lee Palmer Penguins. pd.read_csv desde URL pública. Reporta shape, dtypes, % de NaN por columna.

4. Index labeled. Setea species como index. Compara df.loc['Adelie'] vs df.iloc[0].

5. Alineación automática. Crea 2 Series con index parcialmente solapado. Súmalas. Observa los NaN.

📝 Homework verificable

Notebook que: (a) carga Palmer Penguins y reporta info(), describe(), missing por col; (b) muestra los 3 métodos de acceso a una columna (df.col, df['col'], df.loc[:, 'col']); (c) cambia el index a species, vuelve a default con reset_index; (d) demuestra alineación automática sumando dos Series.

Criterio de aceptación: Carga sin error, los 3 accesos producen la misma Series, alineación produce NaN donde corresponde.

⚠️ Errores comunes

Síntoma / mensaje Causa y cómo arreglar
AttributeError al hacer df.column with space Acceso como atributo solo funciona con nombres válidos Python (sin espacios, sin números iniciales, sin chocar con métodos como shape). Fix: siempre df['column with space'].
KeyError: 'columna' aunque está en el DataFrame Espacios invisibles o capitalización distinta. Fix: df.columns.tolist() para ver exactamente cómo se llama. df.columns = df.columns.str.strip() para limpiar.
Sumar dos Series y aparecen NaN inesperados Index no coincide en algunos labels. Fix: s1.add(s2, fill_value=0) o reindexa con s.reindex(target_index, fill_value=0).
pd.read_csv infiere mal los dtypes Pandas adivina por las primeras filas; si hay strings en una col mayormente numérica, queda object. Fix: pasa dtype={'col': 'float64'} o na_values=['N/A', '?', ''].
DataFrame is not callable: TypeError: 'DataFrame' object is not callable Hiciste df() por error en vez de df (paréntesis sobrantes). Típico al copiar código.

❓ Preguntas frecuentes

❓ ¿df['col'] o df.col?

df['col'] siempre — funciona con cualquier nombre, no choca con métodos. df.col falla con espacios, choca con .shape, .head, etc. Solo úsalo en exploración rápida.

❓ ¿Por qué read_csv me da Unnamed: 0?

El CSV se guardó con index (df.to_csv('x.csv')). Fix: al leer, pd.read_csv('x.csv', index_col=0). O al guardar, df.to_csv('x.csv', index=False).

❓ ¿Cuándo Series y cuándo DataFrame de 1 columna?

Series es más liviana y la mayoría de operaciones la prefieren. DataFrame de 1 col cuando vas a concatenar con otros DataFrames o necesitas mantener la columna nombrada. s.to_frame() convierte.

❓ ¿copy() cuándo?

Cuando vas a modificar un subset y NO quieres afectar el original. subset = df[cond].copy(). Si solo lees, no necesitas copy — y consumes el doble de memoria.

❓ ¿Qué pasa con NaN en una columna int?

Pandas la promueve a float64 automáticamente (porque NumPy int no soporta NaN). Para mantener int: usa dtype nullable Int64 (mayúscula) que sí permite pd.NA.

❓ ¿Tengo que aprender pandas Y polars?

Por ahora, no. Pandas primero — es la base del curso, lo vas a ver en clases, libros, Stack Overflow y en cualquier código que toques. Cuando lo domines y te topes con un dataset que no entra en RAM o un pipeline lento, ahí asomate a polars (Parte 5). La transición es directa porque los conceptos (DataFrame, columnas, group_by, joins) son los mismos; lo que cambia es la sintaxis y el motor.

🔗 Referencias

📥 Material descargable

➡️ Siguiente clase

Clase 023 — Pandas: indexación (loc, iloc, at, iat)