Friki Work

Matplotlib constituye una de las bibliotecas más utilizadas en el ecosistema Python para la generación de gráficos. Junto con NumPy y Pandas, permite construir visualizaciones de forma programática, funcionando como una alternativa libre y flexible a herramientas comerciales como MATLAB. Representación básica de series temporales y columnas Par ...

Pandas es una biblioteca fundamental en Python para la manipulación y análisis de datos, indispensable en campos como la ciencia de datos, la estadística y la computación científica. Si bien el dominio de sus funciones básicas es crucial, la verdadera potencia de Pandas reside en la aplicación de técnicas avanzadas. Este artículo explorará méto ...

La clase Panel de pandas ha sido marcada como obsoleta y será eliminada en versiones futuras. Esto se debe a que pandas recomienda utilizar xarray para manejar estructuras de datos tridimensionales. El mensaje de advertencia sugiere dos alternativas: Usar un MultiIndex en un DataFrame a través del método Panel.to_frame() Utilizar el paquete xa ...

Introducción Hace algunas semanas, publiqué un artículo sobre cómo utilizar Pandas para crear visualizaciones directamente desde sus DataFrames sin necesidad de importar librerías de visualización. De forma predeterminada, Pandas utiliza Matplotlib como "motor de gráficos". Cuando Pandas es suficiente para la visualización de datos, ...

Importancia de la limpieza de datos en proyectos de predicción En los proyectos de predicción de precios de viviendas, la limpieza de datos es una etapa fundamental. Define la precisión del modelo y afecta directamente la confiabilidad de los análisis posteriores. Este artículo utiliza el conjunto de datos de precios de viviendas de Boston como ...

Conversión de objetos JSON en múltiples columnas Cuando una celda contiene una cadena JSON que representa un objeto, el objetivo es expandir cada clave como una columna nueva. El flujo conssite en parsear el texto a un diccionario con json.loads() y luego aplanar el resultado con pd.json_normalize(). import pandas as pd import json registros = ...

Técnicas de Limpieza de Datos con Pandas import pandas as pd import numpy as np datos = pd.DataFrame({"identificador":[1001,1002,1003,1004,1005,1006], "fecha":pd.date_range('20130102', periods=6), "ciudad":['Beijing ', 'SH', ' guangzhou ', 'Shenzhen', 'shanghai', 'BEIJING '], "edad":[23,44,54,32,34,3 ...

El manejo de datos con Python es una práctica habitual, pero existen técnicas menos conocidas que pueden optimizar el flujo de trabajo. A continuación, se presentan seis herramientas útiles que simplifican tareas comunes en aálisis de datos. Generación de informes exploratorios con Pandas La bbilioteca Pandas Profiling automatiza la creación de ...

Optimización del Rendimiento de Pandas con Swifter Swifter es una biblioteca de código abierto para Python que eleva significativamente la eficiencia del procesamiento de datos con Pandas. Permite aplicar cualquier función a un objeto DataFrame o Series de Pandas de la manera más rápida disponible, eligiendo automáticamente el método de ejecuci ...

Meridian es un framework para Modelos de Mezcla de Marketing (MMM) que permite a los anunciantes crear y ejecutar sus propios modelos internos. Antes de utilizar Meridian para el análisis de datos y el entrenamiento de modelos, la limpieza de datos es un paso fundamental para garantizar la precisión del modelo, y el manejo de datos duplicados e ...