ejercicio capitulo 1 sección 9 biblioteca panda de Python
# INICIO DEL EJERCICIO ALUMNOS
# IMPORTANTO DATOS
import pandas as pd
url_ejerc_alumnos = 'https://gist.githubusercontent.com/ahcamachod/807a2c1cf6c19108b2b701ea1791ab45/raw/fb84f8b2d8917a89de26679eccdbc8f9c1d2e933/alumnos.csv'
datos_ejerc_alumnos = pd.read_csv(url_ejerc_alumnos)
# VISUALIZACION DE DATOS
datos_ejerc_alumnos.head(7)
Nombre Edad Nota Aprobado
0 Alberto 20 7.5 True
1 Ana 18 NaN False
2 Camila 27 2.5 False
3 David 18 5.0 False
4 Brian 21 10.0 True
5 Bruna 23 NaN False
6 Daniela 21 7.0 True
# VISUALIZACION DE DATOS
datos_ejerc_alumnos.tail(7)
Nombre Edad Nota Aprobado
11 Ignacio 24 4.5 False
12 Stephany 26 10.0 True
13 Miriam 25 9.0 True
14 Pablo 37 NaN False
15 Milena 29 7.0 True
16 Lucas 33 NaN False
17 Nadia 34 8.0 Verdadero
type(datos_ejerc_alumnos)
pandas.core.frame.DataFrame
def init(data=None, index: Axes | None=None, columns: Axes | None=None, dtype: Dtype | None=None, copy: bool | None=None) -> None
# informacion de la forma 18 filas 4 columnas
datos_ejerc_alumnos.shape
# ver informacion del geader encabezado o los nombres de la scolumnas
datos_ejerc_alumnos.columns
# infromacion de los datos del datafram
datos_ejerc_alumnos.info()
<class 'pandas.core.frame.DataFrame'>
RangeIndex: 18 entries, 0 to 17
Data columns (total 4 columns):
Column Non-Null Count Dtype
0 Nombre 18 non-null object
1 Edad 18 non-null int64
2 Nota 12 non-null float64
3 Aprobado 18 non-null object
dtypes: float64(1), int64(1), object(2)
memory usage: 708.0+ bytes
# visualizar una de las cumnas
datos_ejerc_alumnos['Nombre']
# visualizar una de las cumnas
datos_ejerc_alumnos['Aprobado']
# visualizar dos columnas
datos_ejerc_alumnos[['Edad','Nota']]
Edad Nota
0 20 7.5
1 18 NaN
2 27 2.5
3 18 5.0
4 21 10.0
5 23 NaN
6 21 7.0
7 19 6.0
8 35 5.6
9 28 NaN
10 21 NaN
11 24 4.5
12 26 10.0
13 25 9.0
14 37 NaN
15 29 7.0
16 33 NaN
17 34 8.0
# funcion describe de pandas
datos_ejerc_alumnos.describe()
Edad Nota
count 18.000000 12.000000
mean 25.500000 6.841667
std 6.070662 2.264532
min 18.000000 2.500000
25% 21.000000 5.450000
50% 24.500000 7.000000
75% 28.750000 8.250000
max 37.000000 10.000000
