FORMATO CSV¶

In [1]:

import pandas as pd 
dat_csv = pd.read_csv('empleados.csv', encoding = "ISO-8859-1") 
dat_csv 
 

Out[1]:

	id	Nombre	Sexo	Sueldo
0	1	Juan	m	10000
1	2	Ramón	m	20000
2	3	Anna	f	10500
3	4	Julieta	f	13000
4	5	Pablo	m	30000
5	6	Pedro	m	10500
6	7	Gaby	f	11000
7	8	Cecilia	f	27000

Si queremos que en lugar de todos los datos, se restrinja la salida a las primeras cinco filas, podemos utilizar el método head().

In [2]:

dat_csv.head() 

Out[2]:

	id	Nombre	Sexo	Sueldo
0	1	Juan	m	10000
1	2	Ramón	m	20000
2	3	Anna	f	10500
3	4	Julieta	f	13000
4	5	Pablo	m	30000

En los dos casos anteriores, aparecen los elementos de la primera fila como los nombres de las columnas de datos, si no quisiéramos este comportamiento podemos agregar el atributo header = None, de la siguiente manera:

In [3]:

dat_csv = pd.read_csv('empleados.csv', encoding = "ISO-8859-1", header = None)
dat_csv 

Out[3]:

	0	1	2	3
0	id	Nombre	Sexo	Sueldo
1	1	Juan	m	10000
2	2	Ramón	m	20000
3	3	Anna	f	10500
4	4	Julieta	f	13000
5	5	Pablo	m	30000
6	6	Pedro	m	10500
7	7	Gaby	f	11000
8	8	Cecilia	f	27000

Si quisiéramos que tomar una determinada línea como cabecera, debemos asignarle al parámetro header el número de fila correspondiente, en el siguiente ejemplo se toma la línea 3 como cabecera:

In [4]:

dat_csv = pd.read_csv('empleados.csv', encoding = "ISO-8859-1", header = 3)
dat_csv 

Out[4]:

	3	Anna	f	10500
0	4	Julieta	f	13000
1	5	Pablo	m	30000
2	6	Pedro	m	10500
3	7	Gaby	f	11000
4	8	Cecilia	f	27000

Por defecto, read_csv asigna un índice numérico predeterminado que comienza con cero al leer los datos. Sin embargo, es posible alterar este comportamiento pasando el nombre de la columna que utilizaremos como índice. A continuación se dejara la columna id como índice de la tabla:

In [5]:

dat_csv = pd.read_csv('empleados.csv', encoding = "ISO-8859-1", index_col='id')
dat_csv

Out[5]:

	Nombre	Sexo	Sueldo
id
1	Juan	m	10000
2	Ramón	m	20000
3	Anna	f	10500
4	Julieta	f	13000
5	Pablo	m	30000
6	Pedro	m	10500
7	Gaby	f	11000
8	Cecilia	f	27000

En el caso de que queramos restringir la tabla a algunas columnas específicas, podemos realizarlo con el parámetro usecols indicando en una lista las columnas seleccionadas.

In [6]:

dat_csv  = pd.read_csv('empleados.csv', encoding = "ISO-8859-1", usecols=['Nombre', 'Sueldo'])
dat_csv.head()

Out[6]:

	Nombre	Sueldo
0	Juan	10000
1	Ramón	20000
2	Anna	10500
3	Julieta	13000
4	Pablo	30000

Si queremos eliminar una fila en particular, podemos utilizar el parámetro skiprows, en el siguiente caso se eliminan las filas 1 y 4:

In [7]:

dat_csv  = pd.read_csv('empleados.csv', encoding = "ISO-8859-1", skiprows = [1,4])
dat_csv

Out[7]:

	id	Nombre	Sexo	Sueldo
0	2	Ramón	m	20000
1	3	Anna	f	10500
2	5	Pablo	m	30000
3	6	Pedro	m	10500
4	7	Gaby	f	11000
5	8	Cecilia	f	27000

Para presentar un número dado de filas desde el inicio, podemos utilizar el parámetro nrows, en el siguiente ejemplo se presentan las primeras tres filas de datos.

In [8]:

dat_csv  = pd.read_csv('empleados.csv', encoding = "ISO-8859-1",  nrows=3)
dat_csv

Out[8]:

	id	Nombre	Sexo	Sueldo
0	1	Juan	m	10000
1	2	Ramón	m	20000
2	3	Anna	f	10500

Para seleccionar un rango específico de filas podemos utilizar el método query especificando los límites aplicables sobre una determinada columna:

In [9]:

dat_csv  = pd.read_csv('empleados.csv', encoding = "ISO-8859-1")
dat_csv.query('2 < id < 6')

Out[9]:

	id	Nombre	Sexo	Sueldo
2	3	Anna	f	10500
3	4	Julieta	f	13000
4	5	Pablo	m	30000

Para tratar con los datos de una columna, podemos recuperarlos dentro de una lista mediante el uso de un bucle for, y luego si es necesario convertir la lista en una array como se muestra a continuación:

In [10]:

import pandas as pd
import numpy as np
dat_csv  = pd.read_csv('datos.csv', encoding = "ISO-8859-1")
datos_x = dat_csv.nombre
datos_y = dat_csv.sexo
x = []
y = []
for i in dat_csv.nombre:
    x.append(i)
for j in dat_csv.sexo:
    y.append(j)
print(x)    
print(y)

x_array = np.array(x)
print(type(x_array))
print(x_array)

['Juan', 'Pedro', 'Marcelo', 'Anna']
['m', 'm', 'm', 'f']
<class 'numpy.ndarray'>
['Juan' 'Pedro' 'Marcelo' 'Anna']

FORMATO EXCEL¶

En el caso de trabajar directamente con un archivo de Excel, podemos utilizar el método read_excel()

FORMATO JSON¶

In [11]:

import pandas as pd
movies_json = pd.read_json('json1.json')
movies_json.head()

Out[11]:

	nombre	edad	estado_civil	esposo	hijos	autos
0	Ana	33	True	Pablo	Cecilia	{'modelo': 'Ford', 'color': 'rojo'}
1	Ana	33	True	Pablo	Luis	{'modelo': 'Chevrolet', 'color': 'azul'}

FORMATO HTML¶

In [12]:

import pandas as pd
pd.read_html('index.html')

Out[12]:

[    0       1     2       3
 0  id  Nombre  Sexo  Sueldo
 1   1    Anna     f   10000]

BASE DE DATOS¶

In [15]:

import pandas as pd
import sqlite3
conn = sqlite3.connect("mibase.sqlite")
df = pd.read_sql_query("SELECT * FROM producto;", conn)
df.head()

Out[15]:

	id	nombre	sexo
0	1	Pedro	m
1	2	Anna	f
2	3	Celeste	f

FORMATO XML¶

In [17]:

import xml.etree.cElementTree as et
import pandas as pd
 
def obtenerValorDeNodo(node):
    return node.text if node is not None else None
 
 
def main():
    parsed_xml = et.parse("datos.xml")
    dfcols = ['nombre', 'email', 'telefono', 'calle']
    df_xml = pd.DataFrame(columns=dfcols)
 
    for node in parsed_xml.getroot():
        nombre = node.attrib.get('nombre')
        email = node.find('email')
        telefono = node.find('telefono')
        calle = node.find('direccion/calle')
 
        df_xml = df_xml.append(  pd.Series([nombre, obtenerValorDeNodo(email), obtenerValorDeNodo(telefono),  obtenerValorDeNodo(calle)], index=dfcols), ignore_index=True)
    print(df_xml) 
 
main()

     nombre               email        telefono               calle
0      Juan      juan@gmail.com  011-1111111111         Tacuarí 342
1      Anna      anna@gmail.com            None                None
2     Pedro     pedro@gmail.com  011-2222222222  Río de Janeiro 215
3  Gabriela  gabriela@gmail.com  011-3333333333      Rivadavia 8345

In [ ]: