Exploració de dades

Aquesta lliçó explica com explorar i inspeccionar dades en un DataFrame de Pandas. S'hi presenten mètodes per obtenir informació estructural, estadístiques descriptives i tècniques per seleccionar i filtrar dades.

Mètodes d'inspecció bàsica

Els mètodes head(), tail() i sample() permeten visualitzar subconjunts de dades d'un DataFrame.

import pandas as pd

df = pd.DataFrame({
    'nom': ['Anna', 'Bernat', 'Carla', 'David', 'Eva'],
    'edat': [25, 30, 22, 35, 28],
    'ciutat': ['Barcelona', 'Girona', 'Lleida', 'Tarragona', 'Barcelona']
})

print(df.head(3))   # Mostra les primeres files (per defecte 5)
print(df.tail(2))   # Mostra les últimes files
print(df.sample(2)) # Mostra files aleatòries

El mètode head() retorna les primeres n files, tail() les últimes i sample() una mostra aleatòria. Són útils per fer una inspecció ràpida del contingut.

Els mètodes info() i describe() proporcionen resums del DataFrame.

df.info()               # Informació sobre l'estructura del DataFrame
print(df.describe())    # Estadístiques descriptives de les columnes numèriques

El mètode info() mostra el nombre de files, columnes, tipus de dades i memòria utilitzada. El mètode describe() calcula estadístiques com la mitjana, desviació estàndard, mínim i màxim per a columnes numèriques.

Accés a informació estructural

Les dimensions i forma d'un DataFrame es poden consultar amb els atributs shape, size, ndim i columns.

print(df.shape)              # Dimensions (files, columnes)
print(df.size)               # Nombre total d'elements
print(df.ndim)               # Nombre de dimensions
print(df.columns)            # Noms de les columnes
print(df.index)              # Índex de files

L'atribut shape retorna una tupla amb el nombre de files i columnes. L'atribut size indica el nombre total d'elements i ndim sempre és 2 per a DataFrames.

Els tipus de dades de cada columna es poden consultar amb dtypes.

print(df.dtypes)              # Tipus de dades de cada columna
print(df['edat'].dtype)       # Tipus de dades d'una columna específica

Els tipus més comuns són int64, float64, object (per a text) i bool.

Per obtenir valors únics i recomptes s'utilitzen els mètodes unique(), nunique() i value_counts().

print(df['ciutat'].unique())      # Valors únics d'una columna
print(df['ciutat'].nunique())     # Nombre de valors únics
print(df['ciutat'].value_counts())# Recompte de cada valor únic

El mètode unique() retorna un array amb els valors sense repetir, nunique() el nombre de valors diferents i value_counts() compta les aparicions de cada valor.

Estadístiques descriptives ràpides

Pandas ofereix mètodes per calcular estadístiques bàsiques de manera directa.

print(df['edat'].mean())        # Mitjana de les edats
print(df['edat'].median())      # Mediana
print(df['edat'].std())         # Desviació estàndard
print(df['edat'].min())         # Mínim
print(df['edat'].max())         # Màxim
print(df['edat'].sum())         # Suma total

Aquests mètodes s'apliquen sobre columnes numèriques i retornen un valor escalar amb el resultat del càlcul estadístic.

Selecció de dades

L'operador [] permet seleccionar columnes o files d'un DataFrame.

df = pd.DataFrame({
    'nom': ['Anna', 'Bernat', 'Carla'],
    'edat': [25, 30, 22],
    'ciutat': ['Barcelona', 'Girona', 'Lleida']
})

print(df['nom'])            # Seleccionar una columna (retorna una Series)
print(df[['nom', 'edat']])  # Seleccionar múltiples columnes
print(df[0:2])              # Seleccionar files per posició amb slicing

Amb una sola etiqueta entre [] es selecciona una columna. Amb una llista d'etiquetes es seleccionen múltiples columnes. Amb slicing es seleccionen files per posició.

Selecció amb loc

L'indexador loc selecciona dades utilitzant etiquetes de files i columnes.

print(df.loc[0])                 # Seleccionar una fila per etiqueta
print(df.loc[0:1, 'nom':'edat']) # Seleccionar files i columnes específiques
print(df.loc[[0, 2]])            # Seleccionar files amb una llista d'índexs
print(df.loc[:, 'ciutat'])       # Seleccionar totes les files d'una columna

L'operador loc utilitza [files, columnes]. Els rangs amb : inclouen el valor final, a diferència del slicing habitual de Python.

Selecció amb loc

De forma similar, l'indexador iloc selecciona dades utilitzant posicions enteres.

print(df.iloc[0])               # Seleccionar una fila per posició
print(df.iloc[0:2, 0:2])        # Seleccionar files i columnes per posició
print(df.iloc[[0, 2], [0, 2]])  # Seleccionar files i columnes amb llistes
print(df.iloc[:, 1])            # Seleccionar totes les files d'una columna

Els rangs no inclouen el valor final!

Filtratge amb condicions booleanes

Les condicions booleanes permeten filtrar files que compleixen certs criteris.

# Filtrar files on l'edat és major de 24
print(df[df['edat'] > 24])

# Múltiples condicions amb & (and) i | (or)
print(df[(df['edat'] > 24) & (df['ciutat'] == 'Barcelona')])

# Condició de pertinença
print(df[df['ciutat'].isin(['Barcelona', 'Girona'])])

# Negació amb ~
print(df[~(df['edat'] > 24)])

Les condicions retornen una Series booleana que s'utilitza per filtrar el DataFrame. Cal utilitzar parèntesis amb operadors lògics &, | i ~.

Query i seleccions avançades

El mètode query() permet filtrar amb expressions més llegibles.

# Filtratge amb query
print(df.query('edat > 24'))

# Múltiples condicions
print(df.query('edat > 24 and ciutat == "Barcelona"'))

# Utilitzar variables externes amb @
llindar = 24
print(df.query('edat > @llindar'))

El mètode query() accepta expressions en format text i és especialment útil per a condicions complexes.

Selecció de múltiples columnes i files

Pandas ofereix diverses maneres de seleccionar subconjunts de dades.

# Seleccionar columnes amb select_dtypes
print(df.select_dtypes(include=['int64']))

# Filtrar columnes per nom amb filter
print(df.filter(items=['nom', 'edat']))

# Filtrar columnes per patró
df_extended = df.copy()
df_extended['edat_anys'] = df_extended['edat']
print(df_extended.filter(like='edat'))

El mètode select_dtypes() filtra columnes per tipus de dades, filter() per noms exactes o patrons.

Jordi Petit
Lliçons.jutge.org
© Universitat Politècnica de Catalunya, 2025