Hacer preguntas a una tabla (pandas)

Una empresa de alquiler de bicis guarda una fila por cada día del año. La gerente quiere saber dos cosas. ¿De verdad hay más trabajo el fin de semana? ¿Cuántos días fueron muy movidos?

Leer 365 filas a mano no responde a ninguna de las dos. Unas pocas líneas de pandas las responden en segundos.

Pulsa Iniciar el laboratorio en la barra de la lección y espera a que esté en marcha. El terminal no tiene Python propio. Cada botón Ejecutar escribe docker exec jupyter, que lanza una orden dentro del contenedor del laboratorio.

Para el cuaderno, abre JupyterLab desde la barra y crea un cuaderno nuevo. Un bloque titulado Escribe esto en tu cuaderno va en una celda nueva. No se ejecuta en esta página, porque el Python de la página no tiene pandas.

pd.read_csv lee un archivo CSV y lo convierte en un DataFrame. Cada columna toma su nombre de la primera línea del archivo. Los nombres están en inglés, como en muchos archivos reales.

Los corchetes con un nombre eligen una columna: hires["rain_mm"] es la lluvia de cada día. Una columna tiene sus propios métodos, como max, mean y value_counts.

docker exec jupyter python3 steps/load.py

import pandas as pd

hires = pd.read_csv("hires.csv")
# Una columna: los milímetros de lluvia de cada día.
hires["rain_mm"].max()

hires["hires"] > 400 hace una pregunta a cada fila. La respuesta es una columna de True y False.

Si pones esa respuesta dentro de hires[...], pandas se queda solo con las filas True. Para unir dos pruebas, escribe & para «y» y | para «o». Cada prueba va entre sus propios paréntesis.

docker exec jupyter python3 steps/filter.py

# Días de lluvia con menos de 200 alquileres.
wet_quiet = hires[(hires["weather"] == "rainy") & (hires["hires"] < 200)]
len(wet_quiet)

hires.groupby("weather")["hires"].median() hace tres cosas. Separa las filas por tipo de tiempo. Toma la columna hires de cada grupo. Calcula la mediana de cada uno.

La media se mueve mucho con unos pocos días extremos. La mediana apenas se mueve, así que conviene mirar las dos. La moda sirve para una columna de palabras, como el tiempo.

# Siete días de alquileres en una estación.
days = [236, 198, 251, 198, 270, 312, 455]

total = 0
for one in days:
    total = total + one
print("media:", round(total / len(days), 1))

in_order = sorted(days)
middle = len(in_order) // 2
print("mediana:", in_order[middle])
# Cambia 455 por 300 y vuelve a ejecutar.
# ¿Qué número cambia más?

docker exec jupyter python3 steps/weekend.py

# La mediana de alquileres para cada tipo de tiempo.
hires.groupby("weather")["hires"].median()

En tu cuaderno, busca el mes con menos alquileres. Agrupa por month, calcula la media de hires y ordena el resultado con sort_values.

Después hazle a la tabla una pregunta tuya, con un filtro y un grupo a la vez. Por ejemplo: solo en días de lluvia, ¿sigue habiendo más trabajo el fin de semana? Di qué esperas antes de ejecutarlo.