[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"doc-seo-617413-110":3,"detail-sidebar-cat-1-es-110":80,"doc-detail-617413-es":114},{"code":4,"msg":5,"data":6},0,"ok",{"site_id":7,"language":8,"slug":9,"title":10,"keywords":11,"description":12,"schema_data":13,"social_meta":73,"head_meta":75,"extra_data":77,"updated_unix":79},110,"es","pandas-cheat-sheet-creating-dataframes-and-data-cleaning","Creación de DataFrames y Limpieza de Datos con pandas","","Guía práctica en español sobre el uso de pandas para crear DataFrames y gestionar datos. Resume métodos habituales como pd.DataFrame y lecturas desde CSV, Excel, JSON, HTML, SQL, portapapeles, archivos delimitados, TSV y Parquet, incluyendo operaciones de conversión. Integra secciones de limpieza para detectar nulos e inválidos, eliminar duplicados, interpolar y completar valores, además de herramientas de selección, transformaciones avanzadas, ordenación, consulta, operadores y exportación, con funciones y ejemplos de uso.",{"@graph":14,"@context":72},[15,34,55],{"@type":16,"itemListElement":17},"BreadcrumbList",[18,23,27,31],{"item":19,"name":20,"@type":21,"position":22},"https://docshare.wps.com","Home","ListItem",1,{"item":24,"name":25,"@type":21,"position":26},"https://docshare.wps.com/es/template/","Template",2,{"item":28,"name":29,"@type":21,"position":30},"https://docshare.wps.com/es/template/presentaciones/","Presentaciones",3,{"item":32,"name":10,"@type":21,"position":33},"https://docshare.wps.com/es/template/pandas-cheat-sheet-creating-dataframes-and-data-cleaning/617413/",4,{"url":32,"name":10,"@type":35,"image":36,"author":41,"headline":10,"publisher":44,"fileFormat":47,"inLanguage":8,"description":12,"dateModified":48,"datePublished":49,"encodingFormat":47,"isAccessibleForFree":50,"interactionStatistic":51},"DigitalDocument",{"url":37,"@type":38,"width":39,"height":40},"https://docshare.wps.com/thumbnails/pandas-cheat-sheet-creating-dataframes-and-data-cleaning/617413.png","ImageObject",442,249,{"name":42,"@type":43},"Blue Pony","Person",{"url":19,"name":45,"@type":46},"DocShare","Organization","application/pdf","2026-11-04","2026-10-19",true,{"@type":52,"interactionType":53,"userInteractionCount":26},"InteractionCounter",{"@type":54},"ViewAction",{"@type":56,"mainEntity":57},"FAQPage",[58,64,68],{"name":59,"@type":60,"acceptedAnswer":61},"Cómo se crea un DataFrame en pandas con un diccionario o leyendo archivos?","Question",{"text":62,"@type":63},"Se puede usar pd.DataFrame(dict) para construir desde un diccionario. Para leer datos existen métodos como pd.read_csv(file), pd.read_excel(file), pd.read_json, pd.read_html(uri), pd.read_sql(sql) y lecturas desde archivos como tsv y parquet.","Answer",{"name":65,"@type":60,"acceptedAnswer":66},"Qué funciones ayudan a identificar y tratar valores nulos o inválidos?",{"text":67,"@type":63},"Para detectar nulos o inválidos se usan pd.isna(obj) y pd.isnull(obj). Para trabajar con resultados se emplean dropna() para eliminar, fillna(val) para rellenar e interpolate() para interpolar, además de funciones para eliminar duplicados como drop_duplicates().",{"name":69,"@type":60,"acceptedAnswer":70},"Cómo se seleccionan datos y se realizan transformaciones avanzadas?",{"text":71,"@type":63},"La selección se realiza con df.iloc[row_indexer,column_indexer], df.loc[row_indexer,column_indexer], df.iat y df.at, y también con df[] para filtrar combinando selecciones. Las transformaciones incluyen pd.melt, pd.pivot, pd.pivot_table, pd.merge, reindex, join, append, resample y concat.","https://schema.org",{"og:url":32,"og:type":74,"og:title":10,"og:site_name":45,"og:description":12},"article",{"robots":76,"canonical":32},"index,follow",{"doc_id":78,"site_id":7},617413,1792441266,{"code":4,"msg":81,"data":82},"success",[83,87,91,95,99,103,107,110],{"id":84,"doc_module":22,"doc_module_name":25,"category_name":85,"show_sort_weight":4,"slug":86},165,"Cartas","cartas",{"id":88,"doc_module":22,"doc_module_name":25,"category_name":89,"show_sort_weight":4,"slug":90},162,"Carteles","carteles",{"id":92,"doc_module":22,"doc_module_name":25,"category_name":93,"show_sort_weight":4,"slug":94},160,"Currículums","curriculums",{"id":96,"doc_module":22,"doc_module_name":25,"category_name":97,"show_sort_weight":4,"slug":98},161,"Facturas","facturas",{"id":100,"doc_module":22,"doc_module_name":25,"category_name":101,"show_sort_weight":4,"slug":102},164,"Formularios","formularios",{"id":104,"doc_module":22,"doc_module_name":25,"category_name":105,"show_sort_weight":4,"slug":106},166,"General","general-166",{"id":108,"doc_module":22,"doc_module_name":25,"category_name":29,"show_sort_weight":4,"slug":109},159,"presentaciones",{"id":111,"doc_module":22,"doc_module_name":25,"category_name":112,"show_sort_weight":4,"slug":113},163,"Redes sociales","redes-sociales",{"code":4,"msg":81,"data":115},{"doc_id":78,"user_id":116,"nickname":42,"user_avatar":117,"doc_module":22,"category_id":108,"category_name":29,"doc_title":10,"doc_description":12,"doc_content":118,"file_id":119,"file_url":120,"file_type":121,"file_size":122,"view_count":26,"is_deleted":4,"is_public":22,"is_downloadable":22,"audit_status":22,"page_count":26,"language":123,"language_code":8,"site_id":7,"html_lang":8,"table_of_contents":124,"faqs":125,"seo_title":126,"seo_description":12,"update_tm":79,"read_time":22},962090760266,"https://ap-avatar.wpscdn.com/davatar_276721f389ce27ea32af1340a28f341c","# Creación\n\n\\#Métodos comunes para crear DataFrames y atributos habituales  \npd.DataFrame(dict)\\#Desde diccionariopd.read_csv(file)\\#Desde un csvpd.read_excel(file)\\#Desde un excelpd.read_ison(json)\\#Desde un jsonpd.read_html(uri)\\#Desde una webpd.read_sql(sql)\\#Desde una base de datospd.read_clipboard()\\#Desde el portapapelespd.read_table(file)\\#Desde un archivo delimitado tsvpd.read_parquet()\\#Desde un archivo en formato parquet pd.read_gbg  \n# Limpieza de datos\n\n\\#Ayudan a identificar datos invalidos  \npd.isna(obj)\\#Detecta los valores invalidos en un arraypd.isnull(obj)\\#Detecta los nulos en un arraypd.notna(obj)\\#Detecta los valores validos en un arraypd.notnull(obj)\\#Detecta todos los valores no nulos en un arraypd.unique(obj)\\#Devuelve un array con valores únicos.También existe paraseries(serie,unique())e indices(index,unique()),y variaciones(nuinique,is_unique)  \nsr.hasnans \\#Informa si la serie tiene NAsd.dropna()\\#Elimina los valores inválidossd.fillna(val)\\#Rellena los valores invalidossd.interpolate()\\#Interpola los valores según distintos métodossd.drop_duplicates()\\#Elimina los duplicadossd.duplicated()\\#Mascara con los duplicados  \nsr.is_monotonic \\#Indica sies una progresión creciente/decrecienteSr.nonzero()\\#Devuelve los indices de los elementos que no son cerosd.drop()\\#Elimina las filas o columnas del objeto  \nOperadores lógicos  \n\\#Operadores lógicos para usar en cualquier expresión booleana  \n|\\#Or  \nsd.any()\\#Any  \n# Selección\n\ndf.iloc[row_indexer,column_indexer]\\#Selecciona por indices de filas y columnasdf.loc[row_indexer,column_indexer]\\#Selecciona por etiquetasdf.iat[row,column]\\#Método análogo a iloc para obtener un valor concretodf.at[row,column]\\#Método analogo a loc para obtener un valor concretodf[]\\#Permite mezclar las selecciones y realizar filtrados  \n# Transformaciones avanzadas\n\n\\#Transformaciones de las Series/DataFrames  \npd.melt(df)\\#Descompone un Dataframe,según la columnas que digamospd.pivot(index,col,val)\\#Crea una tabla auxiliar a partir de 3 columnaspd.pivot_table(df)\\#Crea una tabla auxiliar con el DataFrame.Guarda los distintos niveles de la tabla con un indice multiple.También disponible en la clase DataFrame  \npd.merge(left,right)\\#Fusiona 2 DataFrames como si fuera un join de base de datos.También disponible en la clase DataFrame  \nsd.reindex()\\#Nos permite utilizar un indice con nuevas etiquetassd.join(obj)\\#Fusiona las columnas de 2 DataFrames en base a una clave/columnasd.append(to_append)\\#Anade más columnas al DataFramesd.resample(rule)\\#Permite realizar un remuestro en funcion del tiempopd.concat(obj)\\#Concatena pandas en el eje que se decida  \n# Ordenación\n\n\\#Ordenación de valores e indices  \nsd.sort_values()\\#Ordena los valores  \nsd.sort_index()\\#Ordena el indice  \n# Consulta de datos\n\n\\#Obtener información de los datos almacenados  \nsd.sample()\\#Selecciona filas al azar.  \nSe pueden indicar %o número de filas/columnas  \nsd.isin(list)\\#Devuelve un Dataframe que indica si cada celda contiene  \nalguno de los elementos que se pasandf.query(expresion)\\#Permite obtener una parte del Dataframe a partir  \nde una expresión.  \nSe puede conseguir algo similar con df[]  \nsd.filter(list|expr)\\#Filtra las columnas a mostrar.  \nSe puede utilizar o una lista o una expresión regular  \nsd.head(n=5)\\#Obtiene el comienzo del Dataframe.  \nSe pueden indicar el número de filas.  \nsd.tail(n=5)\\#Obtiene el final del Dataframe.  \nSe puede indicar el número de filas  \nsd.where(cond)\\#Es equivalente a df[cond]pero devolviendo un Dataframecon la misma forma que el original  \nsd.items()\\#Iterador perezoso de elementos,Equivalente a sd.iteritems()  \nsr.item()\\#Devuelve el primer elemento de la Serie  \nsd.keys()\\#Columnas del objeto  \nsd.pop(item)\\#Elimina un elemento del conjunto y lo devuelve  \nOperadores Binarios  \n\\#Son operaciones entre 2 Series o DataFrames  \nsd.add(sd)\\#Suma a nivel de elemento  \nsd.sub(sd)\\#Resta a nivel de elemento  \nsd.mul(sd)\\#Multiplicación a nivel de elemento  \nsd.div(sd","cbCaia8VDZDHRbTT","https://ap.wps.com/l/cbCaia8VDZDHRbTT","pdf",809617,"Spanish","# Creación\n## Métodos comunes para crear DataFrames y atributos habituales\n# Limpieza de datos\n## Detección de nulos y valores inválidos\n## Operadores lógicos\n# Selección\n# Transformaciones avanzadas\n# Ordenación\n# Consulta de datos\n# Exportación\n# Gráficas\n# Agrupaciones\n# Funciones estadísticas","[{\"question\":\"Cómo se crea un DataFrame en pandas con un diccionario o leyendo archivos?\",\"answer\":\"Se puede usar pd.DataFrame(dict) para construir desde un diccionario. Para leer datos existen métodos como pd.read_csv(file), pd.read_excel(file), pd.read_json, pd.read_html(uri), pd.read_sql(sql) y lecturas desde archivos como tsv y parquet.\"},{\"question\":\"Qué funciones ayudan a identificar y tratar valores nulos o inválidos?\",\"answer\":\"Para detectar nulos o inválidos se usan pd.isna(obj) y pd.isnull(obj). Para trabajar con resultados se emplean dropna() para eliminar, fillna(val) para rellenar e interpolate() para interpolar, además de funciones para eliminar duplicados como drop_duplicates().\"},{\"question\":\"Cómo se seleccionan datos y se realizan transformaciones avanzadas?\",\"answer\":\"La selección se realiza con df.iloc[row_indexer,column_indexer], df.loc[row_indexer,column_indexer], df.iat y df.at, y también con df[] para filtrar combinando selecciones. Las transformaciones incluyen pd.melt, pd.pivot, pd.pivot_table, pd.merge, reindex, join, append, resample y concat.\"}]","Creación de DataFrames y Limpieza de Datos con pandas | PDF"]