Pandas

Pandas és una llibreria de Python per a l'anàlisi i manipulació de dades. Proporciona estructures de dades flexibles i eficients per treballar amb dades tabulars i series temporals.

Les seves principals funcionalitats inclouen:

• Càrrega i exportació de dades en diferents formats (CSV, Excel, JSON, SQL)
• Neteja i preparació de dades
• Anàlisi exploratòria i estadística
• Transformació i agregació de dades
• Gestió de dades amb valors mancants

Pandas és àmpliament utilitzat en ciència de dades, aprenentatge automàtic, finances, investigació i qualsevol àmbit que requereixi processament de dades estructurades.

Penseu en Pandas com una versió programada d'una full de càlcul.

Instal·lació i importació

Per instal·lar Pandas:

python3 -m pip install pandas

La convenció estàndard per importar Pandas és:

import pandas as pd

Això permet utilitzar totes les funcions de Pandas amb el prefix pd, que és més breu i segueix les convencions de la comunitat.

Relació amb NumPy i altres llibreries

Pandas està construït sobre NumPy, heretant-ne l'eficiència en operacions numèriques. Les estructures de Pandas internament utilitzen arrays de NumPy.

Pandas s'integra fàcilment amb:

• NumPy: per operacions matemàtiques i arrays multidimensionals
• Matplotlib: per visualització de dades
• Scikit-learn: per aprenentatge automàtic
• SciPy: per computació científica

Aquesta integració permet fluxos de treball complets, des de la càrrega de dades fins a la modelització i visualització.

Primer exemple d'ús

Considereu que voleu un programa per:

1. Obtenir dades amb la previsió del temps de Barcelona.
2. Calcular mitjana, màxim i mínim.
3. Pintar un gràfic mostrant l'evolució de la temperatura.

Aquí teniu el codi complet amb Pandas i Matplotlib:

import pandas as pd
import matplotlib.pyplot as plt

# Descarregar dades de l'API de dades obertes de la UE sobre temperatures
url = "https://api.open-meteo.com/v1/forecast?latitude=41.39&longitude=2.16&hourly=temperature_2m&forecast_days=3"

# Llegir les dades directament amb pandas
df = pd.read_json(url)

# Extreure les temperatures i hores
temps = pd.DataFrame({
    'Hora': pd.to_datetime(df['hourly']['time']),
    'Temperatura': df['hourly']['temperature_2m']
})

# Calcular estadístiques bàsiques
print("Temperatures a Barcelona (pròxims 3 dies)")
print(f"Temperatura mitjana: {temps['Temperatura'].mean():.1f}°C")
print(f"Temperatura màxima: {temps['Temperatura'].max():.1f}°C")
print(f"Temperatura mínima: {temps['Temperatura'].min():.1f}°C")

# Crear un gràfic
plt.figure(figsize=(12, 5))
plt.plot(temps['Hora'], temps['Temperatura'], linewidth=2, color='coral')
plt.title('Temperatura a Barcelona', fontsize=14, fontweight='bold')
plt.xlabel('Data i Hora')
plt.ylabel('Temperatura (°C)')
plt.grid(True, alpha=0.3)
plt.xticks(rotation=45)
plt.tight_layout()
plt.show()

La sortida del programa és quelcom com ara:

Temperatures a Barcelona (pròxims 3 dies)
Temperatura mitjana: 9.0°C
Temperatura màxima: 16.8°C
Temperatura mínima: 3.3°C

I la gràfica obtinguda és:

A continuació, expliquem pas a pas què fa cada part del codi amb Pandas.

1. Descarregar dades JSON:

   df = pd.read_json(url)

   Pandas pot llegir directament un JSON des d'una URL (concretament de l'API pública de Open-Meteo en aquest cas). El resultat ja és un DataFrame (l'estructura de dades principal de Pandas, com una taula d'Excel en memòria).

2. Crear un DataFrame estructurat:

   temps = pd.DataFrame({
       'Hora': pd.to_datetime(df['hourly']['time']),
       'Temperatura': df['hourly']['temperature_2m']
   })

   Un DataFrame és com un diccionari de llistes, però amb superpoders:

   • Cada clau és una columna.
   • Pandas entén tipus de dades especials com dates (pd.to_datetime() converteix textos a objectes de data).
   • Es pot accedir a les dades per files, columnes o condicions.

3. Operacions sobre columnes:

   temps['Temperatura'].mean()
   temps['Temperatura'].max()
   temps['Temperatura'].min()

   Aquí és on brilla Pandas: Quan s'accedeix a una columna (temps['Temperatura']), s'obté una sèrie (com una llista millorada). Les sèries tenen mètodes directes per estadístiques:

   • No cal fer bucles for.
   • No cal sum(llista)/len(llista) per la mitjana.
   • Tot està optimitzat internament amb NumPy.

4. Visualització:

   Matplotlib agafa directament les columnes del DataFrame i les dibuixa.

Les lliçons següents aprofundiran més en les funcionalitats de Pandas, però aquest exemple mostra com es pot utilitzar per carregar, manipular i analitzar dades de manera eficient.

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