La analítica de datos y el procesamiento de infomración, sin importar el ámbito - finanzas, riesgo crediticio o marketing - requieren una comprensión clara de los patrones que subyacen en los datos. En este artículo, exploraremos cómo representar estos patrones de manera visual.

Las tablas de datos y las series temporales son comunes en el modelado de análisis de datos, como en el pronóstico meteorológico, el monitoreo de la calidad del aire y las transacciones financieras. La capacidad de reorganizar y重塑 tableros de datos es una habilidad esencial. Para ilustrar esto, utilizaremos el dataset del Titanic y datos de calidad del aire de ciudades europeas como París y Londres.

Transformaciones en datos categóricos

En el análisis de datos con Pandas, es fundamental saber cómo manejar y combinar series categóricas. Los datos categóricos pueden ser esenciales en escenarios como el procesamiento de señales, series temporales y enfoques de aprendizaje automático.

Configuración previa

Para comenzar, necesitamos importar las bibliotecas necesarias y generar series categóricas:

from pandas.api.types import union_categoricals
import pandas as pd

# Crear series categóricas
cat_series1 = pd.Series(["a", "b"], dtype="category")
cat_series2 = pd.Series(["a", "b", "a"], dtype="category")
cat_series3 = pd.Series(["b", "c"], dtype="category") 

Combinación de series categóricas

La combinación de series categóricas puede resultar en diferentes tipos de salida según las condiciones iniciales.

Caso 1: Sereis con categorías iguales

# Series con categorías iguales
combined_same = pd.concat([cat_series1, cat_series2])
print(combined_same)

Resultado:

0    a
1    b
0    a
1    b
2    a
dtype: category
Categories (2, object): ['a', 'b']

Caso 2: Series con categorías diferentes

# Series con categorías diferentes
combined_diff = pd.concat([cat_series1, cat_series3])
print(combined_diff)

Resultado:

0    a
1    b
0    b
1    c
dtype: object

Caso 3: Forzar conversión a categoría

# Forzar conversión a categoría
forced_cat = pd.concat([cat_series1, cat_series3]).astype("category")
print(forced_cat)

Resultado:

0    a
1    b
0    b
1    c
dtype: category
Categories (3, object): ['a', 'b', 'c']

Caso 4: Series numéricas categóricas

# Series numéricas con tipos mixtos
int_cat = pd.Series([1, 2], dtype="category")
float_cat = pd.Series([3.0, 4.0], dtype="category")

# Combinación automática
auto_infer = pd.concat([int_cat, float_cat])
print(auto_infer)

Resultado:

0    1.0
1    2.0
0    3.0
1    4.0
dtype: float64

Tabla resumen de resultados

Estos ejemplos son una guía básica que se puede adapptar según las necesidades específicas del proyecto.