En este capítulo aprendí la diferencia entre el formato wide y el formato long en Pandas. El formato wide es más ligero para almacenar, pero el formato long facilita el análisis porque convierte las columnas de años en registros. También vimos cómo identificar las columnas que no queremos modificar y guardarlas en una lista para usarlas en la transformación con melt().
¡Hola Estudiante, espero que estés bien!
Parece que has entendido bien la diferencia entre los formatos wide y long en Pandas, y cómo utilizar el método melt() para transformar un DataFrame de un formato a otro.
Para recapitular, el método melt() es muy útil cuando necesitas convertir columnas en filas, lo que facilita el análisis de datos, especialmente cuando tienes datos de series temporales como en tu caso con los años. Aquí está un pequeño ejemplo práctico de cómo podrías usar melt():
Supongamos que tienes un DataFrame df con las columnas ['Sector', 'Producto', '1970', '1971', '1972']. Las columnas de años contienen datos de emisiones, y deseas convertir este DataFrame al formato long:
import pandas as pd
# DataFrame de ejemplo
data = {
'Sector': ['A', 'B'],
'Producto': ['X', 'Y'],
'1970': [100, 200],
'1971': [150, 250],
'1972': [200, 300]
}
df = pd.DataFrame(data)
# Usando melt para transformar el DataFrame
df_long = df.melt(id_vars=['Sector', 'Producto'],
var_name='Año',
value_name='Emisión')
print(df_long)
Esto transformará las columnas de años en una sola columna llamada Año, y los valores de emisiones en otra columna llamada Emisión. Así, cada combinación de Sector y Producto tendrá múltiples filas, una para cada año.
Espero que este ejemplo te ayude a visualizar cómo aplicar melt() en tus propios datos. ¡Bons estudios!