Curso de introducción a la programación con Python¶
Autor: Luis Fernando Apáez Álvarez
-Curso PyM-
Clase 7 parte II: Más sobre NumPy y Pandas
Fecha: 03 de Septiembre del 2022
Autor: Luis Fernando Apáez Álvarez
-Curso PyM-
Clase 7 parte II: Más sobre NumPy y Pandas
Fecha: 03 de Septiembre del 2022
En esta clase indagaremos sobre más conceptos dentro de las librerías NumPy y Pandas
# Importamos la libreria necesaria
import numpy as np
crearemos un array que represente en la primer columna un ID de estudiante y en la segunda la calificación final de éste
array1 = np.array([ [1, 10],
[2, 6],
[3, 7.5],
[4, 5],
[5, 9.2],
[6, 5.8] ])
print(array1)
[[ 1. 10. ] [ 2. 6. ] [ 3. 7.5] [ 4. 5. ] [ 5. 9.2] [ 6. 5.8]]
Lo que haremos ahora será filtrar el array1 para aquellos valores en la segunda columna que sean mayores iguales a 6 (es decir, obtendremos los estudiantes que aprobaron).
# Realizaremos un filtrado especifico sobre la segunda columna
# seleccionamos| seleccio-| condi-
# todas las | namos la | ción
# filas del | segunda |
# array | columna |
mask = array1[:, 1] >= 6
# Veamos el array filtrado
print(array1[mask])
[[ 1. 10. ] [ 2. 6. ] [ 3. 7.5] [ 5. 9.2]]
Donde al array dado:
$$ \left(\begin{array}{cc} 1 & 10 \\ 2 & 6\\ 3 & 7.5\\ 4 & 5\\ 5 & 9.2\\ 6 & 5.8 \end{array}\right) $$al realizarle el filtro sobre la segunda columna con la condición dada obtenemos:
$$ \left(\begin{array}{cc} 1 & True \\ 2 & True\\ 3 & True\\ 4 & False\\ 5 & True\\ 6 & False \end{array}\right) \ \ \rightarrow \ \ \left(\begin{array}{cc} 1 & 10 \\ 2 & 6\\ 3 & 7.5\\ - & -\\ 5 & 9.2\\ - & - \end{array}\right) $$De manera totalmente análoga podemos utilizar np.where() para realizar filtrados, siendo éste una alternativa de uso de las máscaras booleanas. Por ejemplo:
# condicion de filtrado
filtrado = np.where( array1[:, 1] >= 6 )
# indaguemos sobre nuestro filtro
print(filtrado)
(array([0, 1, 2, 4], dtype=int64),)
El método np.where() devuele una tupla de arrays, donde en este caso el array que se devuelve hace alusión a los índices de las filas que cumplen con la condición que específicamos
# De tal modo obtenemos el array filtrado
print(array1[filtrado])
[[ 1. 10. ] [ 2. 6. ] [ 3. 7.5] [ 5. 9.2]]
Luego, dentro de la tupla de arrays que puede retornar np.where() están otros arrays de índices para el caso en el que estemos trabajando con arrays multidimensionales
donde se nos puede regresar, por ejemplo para un array de 3 dimensiones, un array correspondiente a los índices fila y otro para los índices de profundidad. Puedes ver a los índices de profundidad, para este caso, como el índice del array de dos dimensiones dentro del array de tres dimensiones
Por ejemplo, consideremos que tenemos las calificaciones de los estudiantes de tres grupos (Grupo A, B y C):
# Array de tres dimensiones, de 6 filas
# por 2 columnas:
array2 = np.array([ [[1, 10],
[2, 6],
[3, 7.5], # Grupo A
[4, 5],
[5, 9.2],
[6, 5.8]],
[[1, 4],
[2, 6.8],
[3, 7], # Grupo B
[4, 9.5],
[5, 10],
[6, 3]],
[[1, 7],
[2, 5],
[3, 5.3], # Grupo C
[4, 8],
[5, 7.2],
[6, 9.8]] ])
print(array2)
[[[ 1. 10. ] [ 2. 6. ] [ 3. 7.5] [ 4. 5. ] [ 5. 9.2] [ 6. 5.8]] [[ 1. 4. ] [ 2. 6.8] [ 3. 7. ] [ 4. 9.5] [ 5. 10. ] [ 6. 3. ]] [[ 1. 7. ] [ 2. 5. ] [ 3. 5.3] [ 4. 8. ] [ 5. 7.2] [ 6. 9.8]]]
y queremos filtrar a aquellos (de los tres grupos) que hayan obtenido una calificación mayor a 7, esto es, de todas las profundidades (de todos los arrays 2D o de todos los grupos de estudiantes) queremos, de todas las filas, aquellos que tengan una calificación mayor a 7, donde la condición que estamos imponiendo es sobre las columnas. Así:
# -condicion de filtrado-
# profundidad|filas|columnas
filtrado = np.where( array2[:, :, 1] > 7 )
# indaguemos sobre nuestro filtro
filtrado
(array([0, 0, 0, 1, 1, 2, 2, 2], dtype=int64), array([0, 2, 4, 3, 4, 3, 4, 5], dtype=int64))
De lo anterior tenemos dos arrays de índices, el primero corresponde a los índices de profundidad y el segundo a los índices de fila
De tal manera, cuando obtenemos el array filtrado veremos
print(array2[filtrado])
[[ 1. 10. ] [ 3. 7.5] [ 5. 9.2] [ 4. 9.5] [ 5. 10. ] [ 4. 8. ] [ 5. 7.2] [ 6. 9.8]]
los ID y la calificación de aquellos estudiantes (de los tres grupos) que sacaron más de 7.
Ahora, el verdadero poder de np.where() es que podemos extraer elementos de un array que cumplen cierta condición, como vimos antes donde extrajimos los valores de los cuales la segunda columna (axis1) fuera mayor a 7, y reemplazarlos por algún otro valor; asimismo, para los elementos del array que no cumplen con dicha condición, podemos especificar cambiar su valor.
Para ver de una manera más intuitiva cómo podemos implemenatar lo anterior, consideremos ahora el siguiente array
# Creamos un array de 9 filas por 9 columnas lleno de
# puros 5
array3 = np.full((9,9), 5)
print(array3)
print()
# Creamos un array identidad de la misma dimension
# que array3
array4 = np.identity(9)
print(array4)
print()
# Sumamos dichos arrays
array_sum = array3 + array4
print(array_sum)
[[5 5 5 5 5 5 5 5 5] [5 5 5 5 5 5 5 5 5] [5 5 5 5 5 5 5 5 5] [5 5 5 5 5 5 5 5 5] [5 5 5 5 5 5 5 5 5] [5 5 5 5 5 5 5 5 5] [5 5 5 5 5 5 5 5 5] [5 5 5 5 5 5 5 5 5] [5 5 5 5 5 5 5 5 5]] [[1. 0. 0. 0. 0. 0. 0. 0. 0.] [0. 1. 0. 0. 0. 0. 0. 0. 0.] [0. 0. 1. 0. 0. 0. 0. 0. 0.] [0. 0. 0. 1. 0. 0. 0. 0. 0.] [0. 0. 0. 0. 1. 0. 0. 0. 0.] [0. 0. 0. 0. 0. 1. 0. 0. 0.] [0. 0. 0. 0. 0. 0. 1. 0. 0.] [0. 0. 0. 0. 0. 0. 0. 1. 0.] [0. 0. 0. 0. 0. 0. 0. 0. 1.]] [[6. 5. 5. 5. 5. 5. 5. 5. 5.] [5. 6. 5. 5. 5. 5. 5. 5. 5.] [5. 5. 6. 5. 5. 5. 5. 5. 5.] [5. 5. 5. 6. 5. 5. 5. 5. 5.] [5. 5. 5. 5. 6. 5. 5. 5. 5.] [5. 5. 5. 5. 5. 6. 5. 5. 5.] [5. 5. 5. 5. 5. 5. 6. 5. 5.] [5. 5. 5. 5. 5. 5. 5. 6. 5.] [5. 5. 5. 5. 5. 5. 5. 5. 6.]]
donde en este último array todos los valores son 5, menos los valores de la diagonal (cuyos valores son el 6): Así, lo que haremos será utilizar np.where, donde la condición que implementaremos será array_sum == 6 para que se consideren todas las entradas del array array_sum que tengan asociado el valor de 6; para aquellos valores que hacen verdadera la condición anterior les asignaremos el valor de 0, es decir, cambiaremos los 6 de la diagonal al 0 y para aquellos valores que no hacen verdadera la condición les asignaremos el valor de 1, es decir, cambiaremos todos los 5 por 0. Esto es.
# condicion de |valor que | valor que
# filtrado |se sustituye | se sustituye
# |en caso de que| en caso de que
# |la condicion | la condicion
# |sea verdadera | sea falso
filtrado_cambio = np.where(array_sum == 6, 0, 1)
# Veamos el array anterior
print(filtrado_cambio)
[[0 1 1 1 1 1 1 1 1] [1 0 1 1 1 1 1 1 1] [1 1 0 1 1 1 1 1 1] [1 1 1 0 1 1 1 1 1] [1 1 1 1 0 1 1 1 1] [1 1 1 1 1 0 1 1 1] [1 1 1 1 1 1 0 1 1] [1 1 1 1 1 1 1 0 1] [1 1 1 1 1 1 1 1 0]]
donde todos los elementos de la diagonal son 0 y los valores fuera de la diagonal son 1. Otro ejemplo
# Consideremos el array de entradas aleatorias
# de 5 filas por 5 columnas
array5 = np.random.random((5,5))
array5
array([[0.40452917, 0.52698261, 0.27268398, 0.79717802, 0.94071403],
[0.43568085, 0.6079667 , 0.80532758, 0.56770115, 0.39560365],
[0.89077405, 0.88992148, 0.30093317, 0.89558492, 0.8672514 ],
[0.8222073 , 0.71272785, 0.14634323, 0.88894845, 0.35668384],
[0.2888239 , 0.14549937, 0.69602177, 0.31685999, 0.02948246]])
luego, cambiaremos los valores que son menores a 0.5 para colocar en su lugar el número 0 y cambiaremos los valores que son mayores o iguales a 0.5 para colocar en su lugar el número 1:
# condicion de |valor que | valor que
# filtrado |se sustituye | se sustituye
# |en caso de que| en caso de que
# |la condicion | la condicion
# |sea verdadera | sea falso
filtrado_cambio2 = np.where(array5 < 0.5, 0, 1)
filtrado_cambio2
array([[0, 1, 0, 1, 1],
[0, 1, 1, 1, 0],
[1, 1, 0, 1, 1],
[1, 1, 0, 1, 0],
[0, 0, 1, 0, 0]])
Si observamos con atención vemos que, prácticamente, lo que hicimos fue realizar un redondeo de los números de las entradas del array array5.
El método round() aplicado a un array redondeará cada uno de los valores de las entradas de dicho array, por ejemplo
print('Array original:')
print(array5)
print()
print('Array redondeado con el método round():')
print(array5.round())
print()
print('Array que redondeamos mediante una condición:')
print(filtrado_cambio2)
Array original: [[0.40452917 0.52698261 0.27268398 0.79717802 0.94071403] [0.43568085 0.6079667 0.80532758 0.56770115 0.39560365] [0.89077405 0.88992148 0.30093317 0.89558492 0.8672514 ] [0.8222073 0.71272785 0.14634323 0.88894845 0.35668384] [0.2888239 0.14549937 0.69602177 0.31685999 0.02948246]] Array redondeado con el método round(): [[0. 1. 0. 1. 1.] [0. 1. 1. 1. 0.] [1. 1. 0. 1. 1.] [1. 1. 0. 1. 0.] [0. 0. 1. 0. 0.]] Array que redondeamos mediante una condición: [[0 1 0 1 1] [0 1 1 1 0] [1 1 0 1 1] [1 1 0 1 0] [0 0 1 0 0]]
Comenzaremos primero uniendo (o concatenando) dos arrays y lo haremos de manera horizontal
de modo que es importante, en este caso, que los arrays tengan el mismo número de filas. Así
# Creamos dos arrays con el mismo numero de filas
array1 = np.zeros((3,3))
array2 = np.random.random((3,2))
# Imprimimos los arrays anteriores
print(array1)
print()
print(array2)
[[0. 0. 0.] [0. 0. 0.] [0. 0. 0.]] [[0.60525993 0.7719087 ] [0.49584214 0.81364018] [0.55926231 0.54962566]]
Para concatenar dos arrays de manera horizontal utilizaremos el método np.concatenate(), donde como parémetro debemos asignar una tupla con los arrays que queremos unir. Por ejemplo, para unir los arrays array1 y array2 horizontalmente escribimos
# array concatenado por columnas
array_concat = np.concatenate((array1, array2), axis=1)
array_concat
array([[0. , 0. , 0. , 0.60525993, 0.7719087 ],
[0. , 0. , 0. , 0.49584214, 0.81364018],
[0. , 0. , 0. , 0.55926231, 0.54962566]])
que al especificar axis=1 estamos indicando que la unión la haremos por columnas. En otras palabras, la unión horizontal no es más que unir las columnas de ambos arrays. Recordemos que, para realizar la unión horizontal, los arrays deben tener el mismo número de filas. Si queremos ahora realizar una unión vertical de arrays, es decir, unir las filas de dos arrays en uno solo
los arrays deben tener el mismo número de columnas. Y para ello configuraremos axis=0 para especificar que la unión ahora es por filas:
# Creamos dos arrays con el mismo numero de columnas
array1 = np.ones((3,3))
array2 = np.random.random((2,3))
# Imprimimos los arrays anteriores
print(array1)
print()
print(array2)
[[1. 1. 1.] [1. 1. 1.] [1. 1. 1.]] [[0.31947663 0.55342233 0.87498701] [0.59711402 0.99892375 0.20750137]]
# array concatenado por filas
array_concat = np.concatenate((array1, array2), axis=0)
array_concat
array([[1. , 1. , 1. ],
[1. , 1. , 1. ],
[1. , 1. , 1. ],
[0.31947663, 0.55342233, 0.87498701],
[0.59711402, 0.99892375, 0.20750137]])
De nuevo, recuerda que las uniones que hemos visto antes sólo se pueden aplicar si las formas de los arrays involucrados son compatibles (como se mencionó antes).
Otro ejemplo, concatenemos dos arrays, donde uno de ellos tiene solo una columna
# Creamos dos arrays con el mismo numero de filas
array1 = np.zeros((3,3))
array2 = np.array([1,
2,
3])
# Imprimimos los arrays anteriores
print(array1)
print()
print(array2)
[[0. 0. 0.] [0. 0. 0.] [0. 0. 0.]] [1 2 3]
Pero, si intentamos concatenarlos obtendremos un error:
# array concatenado por columnas
array_concat = np.concatenate((array1, array2), axis=1)
array_concat
--------------------------------------------------------------------------- ValueError Traceback (most recent call last) Input In [30], in <cell line: 2>() 1 # array concatenado por filas ----> 2 array_concat = np.concatenate((array1, array2), axis=0) 3 array_concat File <__array_function__ internals>:180, in concatenate(*args, **kwargs) ValueError: all the input arrays must have same number of dimensions, but the array at index 0 has 2 dimension(s) and the array at index 1 has 1 dimension(s)
Podemos entender el error anterior si observamos las formas de ambos arrays:
print(array1.shape)
print(array2.shape)
(3, 3) (3,)
Pues array2 es de una sola dimensión por lo que no tiene asociado un valor para las columnas, es decir, prácticamente se puede decir que array2 no tiene columnas, entonces el error radica en intentar unir dos arrays por columnas, donde uno de dichos arrays no tiene columnas. Para arreglar el problema anterior escribimos
# array de 3 filas por 1 columna
array2 = array2.reshape((3,1))
array2
array([[1],
[2],
[3]])
Y ahora sí podemos unir los arrays
# array concatenado por columnas
array_concat = np.concatenate((array1, array2), axis=1)
array_concat
array([[0., 0., 0., 1.],
[0., 0., 0., 2.],
[0., 0., 0., 3.]])
Por otro lado, podemos eliminar filas y/o columnas completas de un array mediante el método np.delete(), donde tendremos tres parámetros dentro de este método:
Por ejemplo, del array array_concat podemos eliminar completa la fila de índice 1 (la cual sería [0., 0., 0., 2.]):
# fila a | forma de eliminacion
# eliminar| por filas
np.delete(array_concat, 1, axis=0)
array([[0., 0., 0., 1.],
[0., 0., 0., 3.]])
# O tambien eliminar la columna de indice 3
# del array original array_concat
np.delete(array_concat, 3, axis=1)
array([[0., 0., 0.],
[0., 0., 0.],
[0., 0., 0.]])
Si no especificamos el axis, entonces nuestra array será aplanado en un array de una dimensión. Luego, si consideramos por ejemplo np.delete(array_concat, 3) (donde omitimos el parámetro para especificar el axis), entonces el array
array([[0., 0., 0., 1.],
[0., 0., 0., 2.],
[0., 0., 0., 3.]])será aplanado al array
array([0., 0., 0., 1., 0., 0., 0., 2., 0., 0., 0., 3.])y como especificamos el número 3 en np.delete(array_concat, 3), entonces se eliminará el elemento de índice 3 del array aplanado. El elemento en la posición 3 del array aplanado es el número 1 por lo cual al escribir
# fila a | forma de eliminacion
# eliminar| por filas
np.delete(array_concat, 3)
array([0., 0., 0., 0., 0., 0., 2., 0., 0., 0., 3.])
ya no vemos el número 1 dentro de dicho array.
En la clase pasada abordamos ya algunas formas de obtener información relevante sobre nuestros arrays. Por ejemplo
# Dado el array
array1 = np.random.random((4,3))
array1
array([[0.27696186, 0.27019666, 0.29809603],
[0.17344493, 0.59770748, 0.03401392],
[0.25985741, 0.69146663, 0.4815255 ],
[0.97097828, 0.61004301, 0.13910545]])
# Obtenemos el valor maximo almacenado dentro de
# nuestro array
print(f'Valor máximo dentro de array1: {array1.max()}')
print()
# Obtenemos el valor minimo almacenado dentro de
# nuestro array
print(f'Valor mínimo dentro de array1: {array1.min()}')
Valor máximo dentro de array1: 0.9709782760399337 Valor mínimo dentro de array1: 0.034013922802112906
Asimismo, podemos obtener la suma de todas las entradas de nuestro array
# Obtenemos la suma de todos los valores
# almacenados en nuestro array
print(f'Suma de todos los valores en array1: {array1.sum()}')
Suma de todos los valores en array1: 4.803397158051567
o también el promedio de los valores almacenados en nuestro array
print(f'Promedio de los valores en array1: {array1.mean()}')
Promedio de los valores en array1: 0.4002830965042972
De manera más particular, por ejemplo, podemos obtener la suma de todos los valores de cada columna:
# Para sumar por columna configuramos axis=0
array1.sum(axis=0)
array([1.68124247, 2.16941379, 0.9527409 ])
O también podemos sumar todos los valores de cada fila
# Para sumar por fila configuramos axis=1
array1.sum(axis=1)
array([0.84525456, 0.80516633, 1.43284954, 1.72012673])
Notemos de la suma por fila que hicimos antes, que el resultado nos gustaría verlo como un array vertical (como se muestra en la imagen) y no uno horizontal como el que obtuvimos (array([0.84525456, 0.80516633, 1.43284954, 1.72012673])). En este caso, para que se respete la forma del array escribimos
# Para sumar por fila configuramos axis=1
# Para que se respete la forma
# escribimos keepdims=true
array1.sum(axis=1, keepdims=True)
array([[0.84525456],
[0.80516633],
[1.43284954],
[1.72012673]])
Las operaciones vectorizadas no son otra cosa más que las operaciones entrada a entrada que efectuabamos entre los arrays. Por ejemplo, podemos sumar cada entrada de un array con un número dado
# Creamos un array
array1 = np.full((2,4), 5)
array1
array([[5, 5, 5, 5],
[5, 5, 5, 5]])
# sumamos el array anterior con el numero 5
array1 + 5
array([[10, 10, 10, 10],
[10, 10, 10, 10]])
donde se ha operado de la siguiente manera:
$$ \left(\begin{array}{cccc} 5 & 5 & 5 & 5\\ 5 & 5 & 5 & 5 \end{array}\right) + 5 = \left(\begin{array}{cccc} 5+5 & 5+5 & 5+5 & 5+5\\ 5+5 & 5+5 & 5+5 & 5+5 \end{array}\right) = \left(\begin{array}{cccc} 10 & 10 & 10 & 10 \\ 10 & 10 & 10 & 10 \end{array}\right) $$Otros ejemplos que bien conocemos son los siguientes:
# Creamos otro array de la MISMA DIMENSION
# que el array1
array2 = np.random.random(array1.shape)
array2
array([[0.82826947, 0.29250252, 0.52894471, 0.58304645],
[0.13864003, 0.07804048, 0.10649987, 0.2055587 ]])
# Los multiplicamos entrada a entrada
array1 * array2
array([[4.14134734, 1.46251258, 2.64472354, 2.91523227],
[0.69320017, 0.39020242, 0.53249937, 1.02779349]])
# Los sumamos entradada a entrada
array1 + array2
array([[5.82826947, 5.29250252, 5.52894471, 5.58304645],
[5.13864003, 5.07804048, 5.10649987, 5.2055587 ]])
etcétera. Cabe resaltar que las operaciones entre dos (o más) arrays se pueden efectuar siempre y cuando éstos tengan la misma forma.
Pero, en realidad, podemos realizar operaciones entre arrays aún cuando éstos no sean de la misma forma. Por ejemplo, cuando realizamos la operación array1 + 5 y obtuvimos
array([[10, 10, 10, 10],
[10, 10, 10, 10]])lo que en realidad pasó fue que se creó internamente un array de la misma dimensión de array1 donde todas sus entradas tenía el valor de 5. Esto es:
Así, podemos generalizar lo anterior para cualquier par (o más) de arrays, donde necesitaremos que al menos un valor de la forma (shape) coincida en ambos (o más) arrays, esto es, que los arrays coincidan en el número de filas, o bien, que los arrays coincidan en el número de columnas
Por ejemplo:
print(array1)
print(array1.shape)
print()
# Creamos otro array
array2 = np.array([1, 2]).reshape((2,1))
print(array2)
print(array2.shape)
[[5 5 5 5] [5 5 5 5]] (2, 4) [[1] [2]] (2, 1)
Vemos que ambos arrays coinciden en el número de filas, de modo que podemos sumar dichos arrays:
array1 + array2
array([[6, 6, 6, 6],
[7, 7, 7, 7]])
de donde ocurrió:
que al array $$ \left(\begin{array}{c} 1 \\ 2 \end{array}\right) \hspace{2.5cm} (\star) $$
le aumentamos 3 columnas para que tuviera la misma forma que el array array1, y los valores que colocamos en esas nuevas columnas son exactamente las mismas que en $(\star)$, es decir, se creó internamente la matriz:
para que se pudieran operar ambos arrays.
Podemos observar otro ejemplo donde ahora los arrays tienen el mismo número de filas
array1 = np.array([2])
print(array1)
print(array1.shape)
print()
# Creamos otro array
array2 = np.array([1, 2]).reshape((2,1))
print(array2)
print(array2.shape)
[2] (1,) [[1] [2]] (2, 1)
# Multiplicamos ambos arrays
array1 * array2
array([[2],
[4]])
Otro ejemplo
array1 = np.array([[1,2,3,4],
[5,7,8,9]])
print(array1.shape)
print()
# Creamos otro array
array2 = np.array([3,3,3,3])
array2 = array2.reshape((1,4))
print(array2.shape)
(2, 4) (1, 4)
# Multiplicamos los arrays anteriores
array1 * array2
array([[ 3, 6, 9, 12],
[15, 21, 24, 27]])
Para trabajar en esta sección utilizaremos una base de datos sobre una encuesta realizada a estudiantes sobre un taller de matemáticas.
Así, comenzamos por importador los datos y almacenarlos en un dataframe:
# Importamos pandas
import pandas as pd
# Creamos el dataframe descrito anteriormente
df = pd.read_csv('https://cursopypagina.github.io/CursoPy/Encuestas.csv')
# Accedemos a las primeras 5 filas
df.head()
| Unnamed: 0 | Marca temporal | Dirección de correo electrónico | Escribe el nombre del taller | El lenguaje de los taller fue adecuado | Se distinguió los objetivos del taller | Fueron claras las instrucciones de los talleres | ¿Qué tan ameno te pareció el taller? | Los talleres te motivaron a seguir indagando en el tema | Si tienes comentarios y/o sugerencias acerca de los talleres son bienvenidos. | El lenguaje de las secuencias didácticas te pareció apropiado | Se distinguió los objetivos de las secuencias didácticas | Fueron claros los conceptos que se formalizaron en las secuencias didácticas | ¿Qué tan complicado te pareció la formalización de los conceptos en las secuencias didácticas? | ¿Qué tan apropiado fue introducir los conceptos formales a partir de los talleres? | Si tienes comentarios y/o sugerencias son bienvenidos | El lenguaje de los talleres fue adecuado | Se distinguieron los objetivos del taller | |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 0 | 0 | 21/07/2022 9:16:50 | NaN | Serpientes estocásticas y escaleras aleatorias | 1.0 | 1.0 | 1 | 1 | 2 | Sería bueno si pudieran sugerir bibliografía ú... | Mucho | Mucho | Mucho | Poco | Poco | . | NaN | NaN |
| 1 | 1 | 21/07/2022 9:18:07 | NaN | Serpientes estocásticas y escaleras aleatorias | 1.0 | 1.0 | 2 | 1 | 1 | En general el taller fue ameno, la actividad d... | Mucho | Mucho | Mucho | Mucho | Mucho | No tengo mucho que agregar, me pareció bastant... | NaN | NaN |
| 2 | 2 | 21/07/2022 9:19:09 | NaN | Serpientes estocásticas y escaleras aleatorias | 5.0 | 5.0 | 5 | 5 | 4 | No, fue agradable | Mucho | Mucho | Mucho | Mucho | Mucho | . | NaN | NaN |
| 3 | 3 | 21/07/2022 9:20:11 | NaN | Serpientes estocásticas y escaleras aleatorias | 1.0 | 1.0 | 1 | 1 | 1 | La explicación del tema fue breve y sencillo a... | Mucho | Mucho | Mucho | Poco | Mucho | El taller fue mucho de mi agrado | NaN | NaN |
| 4 | 4 | 21/07/2022 9:20:18 | NaN | Serpientes estocásticas y escaleras aleatorias | 1.0 | 1.0 | 1 | 1 | 1 | Me gusto mucho el juego de las serpientes esto... | Mucho | Mucho | Mucho | Poco | Mucho | Me gustó la parte didáctica del taller y los t... | NaN | NaN |
donde cada fila representa a un estudiante que contestó la encuesta.
Ahora bien, en la columna El lenguaje de los taller fue adecuado el estudiante colocará 1 si el lenguaje del taller impartido fue muy adecuado, y colocará 5 si el lenguaje fue muy poco adecuado. Así, tendría sentido, por ejemplo, ordenar nuestro dataframe en orden ascendente de acuerdo a esa columna. Antes de ello indaguemos en los nombres de las columnas de nuestro dataframe
df.columns
Index(['Unnamed: 0', 'Marca temporal', 'Dirección de correo electrónico',
'Escribe el nombre del taller ',
'El lenguaje de los taller fue adecuado ',
'Se distinguió los objetivos del taller',
'Fueron claras las instrucciones de los talleres',
'¿Qué tan ameno te pareció el taller?',
'Los talleres te motivaron a seguir indagando en el tema',
'Si tienes comentarios y/o sugerencias acerca de los talleres son bienvenidos.',
'El lenguaje de las secuencias didácticas te pareció apropiado',
'Se distinguió los objetivos de las secuencias didácticas',
'Fueron claros los conceptos que se formalizaron en las secuencias didácticas',
'¿Qué tan complicado te pareció la formalización de los conceptos en las secuencias didácticas?',
'¿Qué tan apropiado fue introducir los conceptos formales a partir de los talleres?',
'Si tienes comentarios y/o sugerencias son bienvenidos',
'El lenguaje de los talleres fue adecuado ',
'Se distinguieron los objetivos del taller'],
dtype='object')
vemos que en realidad el nombre de la columna que nos interesa es 'El lenguaje de los taller fue adecuado ' y tiene un espacio en blanco al final, además está mal redactado el nombre de dicha columna. Entonces lo que haremos será cambiar el nombre de dicha columna, para lo cual
# Creamos una lista que almacene el nombre de las columnas
# de nuestro dataframe
name_columns = list(df.columns)
# Veamos dicha lista
print(name_columns)
print()
# Cambiamos el elemento del indice 4
# Nuevo nombre de la columna de interes
name_columns[4] = 'El lenguaje de los talleres fue adecuado'
# Vemos de nuevo la lista
print(name_columns)
['Unnamed: 0', 'Marca temporal', 'Dirección de correo electrónico', 'Escribe el nombre del taller ', 'El lenguaje de los talleres fue adecuado', 'Se distinguió los objetivos del taller', 'Fueron claras las instrucciones de los talleres', '¿Qué tan ameno te pareció el taller?', 'Los talleres te motivaron a seguir indagando en el tema', 'Si tienes comentarios y/o sugerencias acerca de los talleres son bienvenidos.', 'El lenguaje de las secuencias didácticas te pareció apropiado', 'Se distinguió los objetivos de las secuencias didácticas', 'Fueron claros los conceptos que se formalizaron en las secuencias didácticas', '¿Qué tan complicado te pareció la formalización de los conceptos en las secuencias didácticas?', '¿Qué tan apropiado fue introducir los conceptos formales a partir de los talleres?', 'Si tienes comentarios y/o sugerencias son bienvenidos', 'El lenguaje de los talleres fue adecuado ', 'Se distinguieron los objetivos del taller'] ['Unnamed: 0', 'Marca temporal', 'Dirección de correo electrónico', 'Escribe el nombre del taller ', 'El lenguaje de los talleres fue adecuado', 'Se distinguió los objetivos del taller', 'Fueron claras las instrucciones de los talleres', '¿Qué tan ameno te pareció el taller?', 'Los talleres te motivaron a seguir indagando en el tema', 'Si tienes comentarios y/o sugerencias acerca de los talleres son bienvenidos.', 'El lenguaje de las secuencias didácticas te pareció apropiado', 'Se distinguió los objetivos de las secuencias didácticas', 'Fueron claros los conceptos que se formalizaron en las secuencias didácticas', '¿Qué tan complicado te pareció la formalización de los conceptos en las secuencias didácticas?', '¿Qué tan apropiado fue introducir los conceptos formales a partir de los talleres?', 'Si tienes comentarios y/o sugerencias son bienvenidos', 'El lenguaje de los talleres fue adecuado ', 'Se distinguieron los objetivos del taller']
Después, configuraremos la lista creada antes como los nuevos nombres de las columnas de nuestro dataframe
# Accedemos a| asignamos un
# los nombres| nuevo nombre
# de las | a nuestras
# columnas | columnas
df.columns = name_columns
# Veamos los cambios
df.columns
Index(['Unnamed: 0', 'Marca temporal', 'Dirección de correo electrónico',
'Escribe el nombre del taller ',
'El lenguaje de los talleres fue adecuado',
'Se distinguió los objetivos del taller',
'Fueron claras las instrucciones de los talleres',
'¿Qué tan ameno te pareció el taller?',
'Los talleres te motivaron a seguir indagando en el tema',
'Si tienes comentarios y/o sugerencias acerca de los talleres son bienvenidos.',
'El lenguaje de las secuencias didácticas te pareció apropiado',
'Se distinguió los objetivos de las secuencias didácticas',
'Fueron claros los conceptos que se formalizaron en las secuencias didácticas',
'¿Qué tan complicado te pareció la formalización de los conceptos en las secuencias didácticas?',
'¿Qué tan apropiado fue introducir los conceptos formales a partir de los talleres?',
'Si tienes comentarios y/o sugerencias son bienvenidos',
'El lenguaje de los talleres fue adecuado ',
'Se distinguieron los objetivos del taller'],
dtype='object')
Así, colocamos un mejor nombre a la columna en cuestión respecto al nombre que tenía antes. De hecho, podríamos hacer lo mismo si quisieramos modificar el nombre de cualquier otra columna.
Continuando, si quieremos ordenar nuestro dataframe de acuerdo a una columna, utilizamos el método sort_values(), donde como parámetro va el nombre de la columna base para el ordenamiento:
# Vemos las primeras filas del dataframe ordenado
df.sort_values('El lenguaje de los talleres fue adecuado').head()
| Unnamed: 0 | Marca temporal | Dirección de correo electrónico | Escribe el nombre del taller | El lenguaje de los talleres fue adecuado | Se distinguió los objetivos del taller | Fueron claras las instrucciones de los talleres | ¿Qué tan ameno te pareció el taller? | Los talleres te motivaron a seguir indagando en el tema | Si tienes comentarios y/o sugerencias acerca de los talleres son bienvenidos. | El lenguaje de las secuencias didácticas te pareció apropiado | Se distinguió los objetivos de las secuencias didácticas | Fueron claros los conceptos que se formalizaron en las secuencias didácticas | ¿Qué tan complicado te pareció la formalización de los conceptos en las secuencias didácticas? | ¿Qué tan apropiado fue introducir los conceptos formales a partir de los talleres? | Si tienes comentarios y/o sugerencias son bienvenidos | El lenguaje de los talleres fue adecuado | Se distinguieron los objetivos del taller | |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 0 | 0 | 21/07/2022 9:16:50 | NaN | Serpientes estocásticas y escaleras aleatorias | 1.0 | 1.0 | 1 | 1 | 2 | Sería bueno si pudieran sugerir bibliografía ú... | Mucho | Mucho | Mucho | Poco | Poco | . | NaN | NaN |
| 105 | 14 | 21/07/2022 9:57:18 | NaN | ¿Leonardo DiCaprio es perfecto? | 1.0 | 1.0 | 1 | 1 | 1 | Me pareció un taller muy interesante y útil. | Mucho | Mucho | Mucho | Poco | Mucho | Ninguno | NaN | NaN |
| 102 | 11 | 21/07/2022 9:14:38 | NaN | ¿Leonardo Di caprio es perfecto? | 1.0 | 2.0 | 1 | 1 | 2 | Fue un taller interesante, toco temas que sola... | Mucho | Mucho | Mucho | Poco | Mucho | Los materiales o temas ocupados a lo largo del... | NaN | NaN |
| 101 | 10 | 21/07/2022 9:13:03 | NaN | ¿Leonardo DiCaprio es perfecto? | 1.0 | 1.0 | 1 | 1 | 1 | Me gustó mucho el taller, explicaron todo muy ... | Mucho | Mucho | Mucho | Poco | Mucho | Las presentaciones fueron muy claras y por lo ... | NaN | NaN |
| 99 | 8 | 21/07/2022 9:12:54 | NaN | ¿Leonardo Di Caprio es perfecto? | 1.0 | 1.0 | 1 | 1 | 1 | Me agradó la disposición de los instructores d... | Mucho | Mucho | Mucho | Poco | Mucho | Me gustó que la secuencia didactica fue muy in... | NaN | NaN |
# Veamos unas filas en especifico donde podemos ver de manera
# mas visual el ordenamiento que hicimos
df.sort_values('El lenguaje de los talleres fue adecuado')[114:130]
| Unnamed: 0 | Marca temporal | Dirección de correo electrónico | Escribe el nombre del taller | El lenguaje de los talleres fue adecuado | Se distinguió los objetivos del taller | Fueron claras las instrucciones de los talleres | ¿Qué tan ameno te pareció el taller? | Los talleres te motivaron a seguir indagando en el tema | Si tienes comentarios y/o sugerencias acerca de los talleres son bienvenidos. | El lenguaje de las secuencias didácticas te pareció apropiado | Se distinguió los objetivos de las secuencias didácticas | Fueron claros los conceptos que se formalizaron en las secuencias didácticas | ¿Qué tan complicado te pareció la formalización de los conceptos en las secuencias didácticas? | ¿Qué tan apropiado fue introducir los conceptos formales a partir de los talleres? | Si tienes comentarios y/o sugerencias son bienvenidos | El lenguaje de los talleres fue adecuado | Se distinguieron los objetivos del taller | |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 113 | 7 | 21/07/2022 9:17:42 | NaN | Scrampty | 2.0 | 2.0 | 1 | 1 | 1 | No. | Mucho | Mucho | Mucho | Mucho | Mucho | No. | NaN | NaN |
| 107 | 1 | 21/07/2022 9:14:57 | NaN | Scrampin | 2.0 | 2.0 | 1 | 2 | 2 | Todo bien :) | Mucho | Mucho | Mucho | Poco | Mucho | Todo claro | NaN | NaN |
| 133 | 4 | 21/07/2022 9:14:24 | NaN | Toros vacas | 3.0 | 2.0 | 1 | 2 | 2 | por el momento no, gracias | Mucho | Mucho | Mucho | Poco | Poco | respondiendo a la anterior pregunta, no es ni ... | NaN | NaN |
| 67 | 0 | 21/07/2022 12:04:11 | NaN | Un algoritmo para calcular el día del fin del ... | 4.0 | 5.0 | 4 | 3 | 2 | Me gustó el taller | Mucho | Mucho | Mucho | Poco | Mucho | Estuvo interesante conocer el concepto de indu... | NaN | NaN |
| 88 | 9 | 21/07/2022 12:13:23 | NaN | El juego del grafimar | 4.0 | 4.0 | 4 | 4 | 1 | ninguno | Mucho | Mucho | Mucho | Mucho | Mucho | ninguno | NaN | NaN |
| 74 | 7 | 21/07/2022 12:07:13 | NaN | Ecuación para calcular el fin del mundo | 4.0 | 4.0 | 4 | 4 | 3 | Todo bien, sólo hubo unas partes que no entendí. | Mucho | Mucho | Poco | Mucho | Mucho | Todo bien | NaN | NaN |
| 76 | 9 | 21/07/2022 12:09:01 | NaN | Un algoritmo para calcular el día del fin del ... | 4.0 | 5.0 | 4 | 5 | 5 | nop :)) | Mucho | Mucho | Poco | Mucho | Mucho | :)) | NaN | NaN |
| 112 | 6 | 21/07/2022 9:17:16 | NaN | Scram∅ | 4.0 | 5.0 | 5 | 5 | 5 | . | Mucho | Mucho | Mucho | Mucho | Mucho | . | NaN | NaN |
| 103 | 12 | 21/07/2022 9:17:19 | NaN | Cursos Propedéuticos Facultad de Ciencias | 4.0 | 4.0 | 4 | 4 | 4 | - | Mucho | Mucho | Mucho | Mucho | Mucho | - | NaN | NaN |
| 60 | 1 | 21/07/2022 12:19:19 | NaN | Cursos Propedéuticos Facultad de Ciencias | 4.0 | 3.0 | 4 | 3 | 3 | Todo bien | Mucho | Poco | Mucho | Mucho | Poco | Me ha gustado mucho el taller y la secuencia d... | NaN | NaN |
| 122 | 5 | 21/07/2022 9:11:21 | NaN | Maquina para transformar café en teoremas | 4.0 | 3.0 | 5 | 5 | 5 | El taller en general me gustó bastante, pues c... | Mucho | Poco | Mucho | Poco | Mucho | La formalización de conceptos me ayudó a compr... | NaN | NaN |
| 51 | 5 | 21/07/2022 12:16:56 | NaN | Los caminos del infinito | 5.0 | 5.0 | 4 | 5 | 5 | Que entregaran un pdf con la info del taller. | Mucho | Mucho | Mucho | Mucho | Mucho | - | NaN | NaN |
| 114 | 8 | 21/07/2022 9:18:37 | NaN | scrampty | 5.0 | 5.0 | 2 | 1 | 2 | El taller fue muy ameno, fácil y divertido | Mucho | Mucho | Mucho | Poco | Mucho | Me gustó mucho jugar scrable | NaN | NaN |
| 62 | 3 | 21/07/2022 12:19:51 | NaN | Curso Propedéutico Facultad de Ciencias | 5.0 | 5.0 | 5 | 5 | 5 | Me parecieron correctas las dos clases que he ... | Mucho | Mucho | Mucho | Mucho | Mucho | Todo esta super bien con los talleres hasta ahora | NaN | NaN |
| 44 | 11 | 21/07/2022 12:22:49 | NaN | Carrera de Probabilidades con Mario Kart. | 5.0 | 5.0 | 5 | 5 | 5 | Dar bibliografia de materias de tronco comun | Mucho | Mucho | Mucho | Poco | Mucho | Formar los grupos con aspirantes de una misma ... | NaN | NaN |
| 97 | 6 | 21/07/2022 9:12:35 | NaN | Propedéutico facultad de ciencias | 5.0 | 4.0 | 4 | 5 | 4 | Ninguno | Mucho | Mucho | Mucho | Poco | Mucho | Ninguno | NaN | NaN |
Vemos que se ha realizado el ordenamiento de manera ascendente como queríamos. Cabe resaltar que nuestros datos aún no han sido limpiados, es decir, tenemos varios datos faltantes (que tienen la etiqueta NaN) en nuestras columnas. Es por ello que si queremos ver las últimas filas del dataframe ordenado veremos
df.sort_values('El lenguaje de los talleres fue adecuado').tail()
| Unnamed: 0 | Marca temporal | Dirección de correo electrónico | Escribe el nombre del taller | El lenguaje de los talleres fue adecuado | Se distinguió los objetivos del taller | Fueron claras las instrucciones de los talleres | ¿Qué tan ameno te pareció el taller? | Los talleres te motivaron a seguir indagando en el tema | Si tienes comentarios y/o sugerencias acerca de los talleres son bienvenidos. | El lenguaje de las secuencias didácticas te pareció apropiado | Se distinguió los objetivos de las secuencias didácticas | Fueron claros los conceptos que se formalizaron en las secuencias didácticas | ¿Qué tan complicado te pareció la formalización de los conceptos en las secuencias didácticas? | ¿Qué tan apropiado fue introducir los conceptos formales a partir de los talleres? | Si tienes comentarios y/o sugerencias son bienvenidos | El lenguaje de los talleres fue adecuado | Se distinguieron los objetivos del taller | |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 28 | 7 | 21/07/2022 16:22:50 | NaN | Juntos con conjuntos | NaN | NaN | 1 | 1 | 1 | Me gustó mucho el taller, repasé cosas que se ... | Mucho | Mucho | Mucho | Poco | Mucho | clases muy completas!:) | 1.0 | 1.0 |
| 29 | 8 | 21/07/2022 16:23:05 | NaN | Conjuntos ? | NaN | NaN | 1 | 1 | 1 | Sofia, a veces te ponías un poco nerviosa y no... | Mucho | Mucho | Mucho | Poco | Mucho | Sin comentarios | 1.0 | 1.0 |
| 30 | 9 | 21/07/2022 16:23:50 | NaN | Juntos con conjuntos | NaN | NaN | 1 | 3 | 3 | Creo que faltó que dieran como un "puente" por... | Mucho | Poco | Mucho | Poco | Poco | Ninguno | 2.0 | 3.0 |
| 31 | 10 | 21/07/2022 16:23:59 | NaN | Juntos con conjuntos | NaN | NaN | 1 | 2 | 2 | considero que fue buena la explicación y el ma... | Mucho | Mucho | Mucho | Mucho | Mucho | todo me pareció muy bien | 2.0 | 2.0 |
| 32 | 11 | 21/07/2022 16:24:46 | NaN | Juntos con conjuntos | NaN | NaN | 1 | 1 | 1 | Sólo me gustaría agradecer la labor y dinámica... | Mucho | Mucho | Mucho | Poco | Mucho | El material usado facilitó mucho el aprendizaj... | 1.0 | 1.0 |
que se muestran los valores NaN para la columna 'El lenguaje de los talleres fue adecuado', lo cual podría compromenter nuestro análisis. De ahí la importancia de siempre realizar una "limpieza" de los datos y, por ejemplo, eliminar o modificar esos valores faltantes (NaN). No realizaremos la limpieza de los datos pues queda fuera de los objetivos de esta clase.
Continuando, podemos ordenar ahora de manera descendente para lo cual agregaremos el parámetro ascending=False como sigue:
df.sort_values('El lenguaje de los talleres fue adecuado', ascending=False).head()
| Unnamed: 0 | Marca temporal | Dirección de correo electrónico | Escribe el nombre del taller | El lenguaje de los talleres fue adecuado | Se distinguió los objetivos del taller | Fueron claras las instrucciones de los talleres | ¿Qué tan ameno te pareció el taller? | Los talleres te motivaron a seguir indagando en el tema | Si tienes comentarios y/o sugerencias acerca de los talleres son bienvenidos. | El lenguaje de las secuencias didácticas te pareció apropiado | Se distinguió los objetivos de las secuencias didácticas | Fueron claros los conceptos que se formalizaron en las secuencias didácticas | ¿Qué tan complicado te pareció la formalización de los conceptos en las secuencias didácticas? | ¿Qué tan apropiado fue introducir los conceptos formales a partir de los talleres? | Si tienes comentarios y/o sugerencias son bienvenidos | El lenguaje de los talleres fue adecuado | Se distinguieron los objetivos del taller | |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 51 | 5 | 21/07/2022 12:16:56 | NaN | Los caminos del infinito | 5.0 | 5.0 | 4 | 5 | 5 | Que entregaran un pdf con la info del taller. | Mucho | Mucho | Mucho | Mucho | Mucho | - | NaN | NaN |
| 2 | 2 | 21/07/2022 9:19:09 | NaN | Serpientes estocásticas y escaleras aleatorias | 5.0 | 5.0 | 5 | 5 | 4 | No, fue agradable | Mucho | Mucho | Mucho | Mucho | Mucho | . | NaN | NaN |
| 114 | 8 | 21/07/2022 9:18:37 | NaN | scrampty | 5.0 | 5.0 | 2 | 1 | 2 | El taller fue muy ameno, fácil y divertido | Mucho | Mucho | Mucho | Poco | Mucho | Me gustó mucho jugar scrable | NaN | NaN |
| 45 | 12 | 21/07/2022 12:22:52 | NaN | carrera de probabilidades con Mario kart | 5.0 | 5.0 | 5 | 5 | 5 | todo bien | Mucho | Mucho | Mucho | Mucho | Mucho | todo bien | NaN | NaN |
| 44 | 11 | 21/07/2022 12:22:49 | NaN | Carrera de Probabilidades con Mario Kart. | 5.0 | 5.0 | 5 | 5 | 5 | Dar bibliografia de materias de tronco comun | Mucho | Mucho | Mucho | Poco | Mucho | Formar los grupos con aspirantes de una misma ... | NaN | NaN |
Podemos también realizar el ordenamiento tomando como base dos columnas en vez de una:
# Para ordenar con base en dos columnas requeriremos
# escribir el nombre de dichas columnas
# dentro de una lista
df.sort_values( [ 'El lenguaje de los talleres fue adecuado',
'Se distinguió los objetivos del taller' ],
# configuramos el ordenamiento de manera
# descendente
ascending=False).head()
| Unnamed: 0 | Marca temporal | Dirección de correo electrónico | Escribe el nombre del taller | El lenguaje de los talleres fue adecuado | Se distinguió los objetivos del taller | Fueron claras las instrucciones de los talleres | ¿Qué tan ameno te pareció el taller? | Los talleres te motivaron a seguir indagando en el tema | Si tienes comentarios y/o sugerencias acerca de los talleres son bienvenidos. | El lenguaje de las secuencias didácticas te pareció apropiado | Se distinguió los objetivos de las secuencias didácticas | Fueron claros los conceptos que se formalizaron en las secuencias didácticas | ¿Qué tan complicado te pareció la formalización de los conceptos en las secuencias didácticas? | ¿Qué tan apropiado fue introducir los conceptos formales a partir de los talleres? | Si tienes comentarios y/o sugerencias son bienvenidos | El lenguaje de los talleres fue adecuado | Se distinguieron los objetivos del taller | |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 2 | 2 | 21/07/2022 9:19:09 | NaN | Serpientes estocásticas y escaleras aleatorias | 5.0 | 5.0 | 5 | 5 | 4 | No, fue agradable | Mucho | Mucho | Mucho | Mucho | Mucho | . | NaN | NaN |
| 44 | 11 | 21/07/2022 12:22:49 | NaN | Carrera de Probabilidades con Mario Kart. | 5.0 | 5.0 | 5 | 5 | 5 | Dar bibliografia de materias de tronco comun | Mucho | Mucho | Mucho | Poco | Mucho | Formar los grupos con aspirantes de una misma ... | NaN | NaN |
| 45 | 12 | 21/07/2022 12:22:52 | NaN | carrera de probabilidades con Mario kart | 5.0 | 5.0 | 5 | 5 | 5 | todo bien | Mucho | Mucho | Mucho | Mucho | Mucho | todo bien | NaN | NaN |
| 51 | 5 | 21/07/2022 12:16:56 | NaN | Los caminos del infinito | 5.0 | 5.0 | 4 | 5 | 5 | Que entregaran un pdf con la info del taller. | Mucho | Mucho | Mucho | Mucho | Mucho | - | NaN | NaN |
| 62 | 3 | 21/07/2022 12:19:51 | NaN | Curso Propedéutico Facultad de Ciencias | 5.0 | 5.0 | 5 | 5 | 5 | Me parecieron correctas las dos clases que he ... | Mucho | Mucho | Mucho | Mucho | Mucho | Todo esta super bien con los talleres hasta ahora | NaN | NaN |
Asimismo, podemos configurar que una de las columnas tenga un ordenamiento de manera descendente y la otra de manera ascendente
df.sort_values( [ 'El lenguaje de los talleres fue adecuado',
'Se distinguió los objetivos del taller' ],
# configuramos el ordenamiento de manera
# descendente para la primer columna
# y de manera ascendente para la
# segunda
ascending=[False, True]).head()
| Unnamed: 0 | Marca temporal | Dirección de correo electrónico | Escribe el nombre del taller | El lenguaje de los talleres fue adecuado | Se distinguió los objetivos del taller | Fueron claras las instrucciones de los talleres | ¿Qué tan ameno te pareció el taller? | Los talleres te motivaron a seguir indagando en el tema | Si tienes comentarios y/o sugerencias acerca de los talleres son bienvenidos. | El lenguaje de las secuencias didácticas te pareció apropiado | Se distinguió los objetivos de las secuencias didácticas | Fueron claros los conceptos que se formalizaron en las secuencias didácticas | ¿Qué tan complicado te pareció la formalización de los conceptos en las secuencias didácticas? | ¿Qué tan apropiado fue introducir los conceptos formales a partir de los talleres? | Si tienes comentarios y/o sugerencias son bienvenidos | El lenguaje de los talleres fue adecuado | Se distinguieron los objetivos del taller | |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 97 | 6 | 21/07/2022 9:12:35 | NaN | Propedéutico facultad de ciencias | 5.0 | 4.0 | 4 | 5 | 4 | Ninguno | Mucho | Mucho | Mucho | Poco | Mucho | Ninguno | NaN | NaN |
| 126 | 9 | 21/07/2022 9:12:23 | NaN | Máquina para transformar café en teoremas | 5.0 | 4.0 | 5 | 5 | 5 | Despiertan mucho el interés en aprender | Mucho | Mucho | Mucho | Poco | Mucho | Es muy dinámico y mantiene la atención enfocad... | NaN | NaN |
| 2 | 2 | 21/07/2022 9:19:09 | NaN | Serpientes estocásticas y escaleras aleatorias | 5.0 | 5.0 | 5 | 5 | 4 | No, fue agradable | Mucho | Mucho | Mucho | Mucho | Mucho | . | NaN | NaN |
| 44 | 11 | 21/07/2022 12:22:49 | NaN | Carrera de Probabilidades con Mario Kart. | 5.0 | 5.0 | 5 | 5 | 5 | Dar bibliografia de materias de tronco comun | Mucho | Mucho | Mucho | Poco | Mucho | Formar los grupos con aspirantes de una misma ... | NaN | NaN |
| 45 | 12 | 21/07/2022 12:22:52 | NaN | carrera de probabilidades con Mario kart | 5.0 | 5.0 | 5 | 5 | 5 | todo bien | Mucho | Mucho | Mucho | Mucho | Mucho | todo bien | NaN | NaN |
Por otro lado, así como realizabamos filtros en NumPy, podemos realizar filtros en pandas.
Antes de continuar haremos más pequeño el dataframe con el que estamos trabajando para tener mayor comodidad
# Vemos de nuevos los nombres de las columnas
df.columns
Index(['Unnamed: 0', 'Marca temporal', 'Dirección de correo electrónico',
'Escribe el nombre del taller ',
'El lenguaje de los talleres fue adecuado',
'Se distinguió los objetivos del taller',
'Fueron claras las instrucciones de los talleres',
'¿Qué tan ameno te pareció el taller?',
'Los talleres te motivaron a seguir indagando en el tema',
'Si tienes comentarios y/o sugerencias acerca de los talleres son bienvenidos.',
'El lenguaje de las secuencias didácticas te pareció apropiado',
'Se distinguió los objetivos de las secuencias didácticas',
'Fueron claros los conceptos que se formalizaron en las secuencias didácticas',
'¿Qué tan complicado te pareció la formalización de los conceptos en las secuencias didácticas?',
'¿Qué tan apropiado fue introducir los conceptos formales a partir de los talleres?',
'Si tienes comentarios y/o sugerencias son bienvenidos',
'El lenguaje de los talleres fue adecuado ',
'Se distinguieron los objetivos del taller'],
dtype='object')
# Nos quedaremos solo con 3 columnas
df2 = df[['Escribe el nombre del taller ',
'El lenguaje de los talleres fue adecuado',
'Se distinguió los objetivos del taller']]
df2.head()
| Escribe el nombre del taller | El lenguaje de los talleres fue adecuado | Se distinguió los objetivos del taller | |
|---|---|---|---|
| 0 | Serpientes estocásticas y escaleras aleatorias | 1.0 | 1.0 |
| 1 | Serpientes estocásticas y escaleras aleatorias | 1.0 | 1.0 |
| 2 | Serpientes estocásticas y escaleras aleatorias | 5.0 | 5.0 |
| 3 | Serpientes estocásticas y escaleras aleatorias | 1.0 | 1.0 |
| 4 | Serpientes estocásticas y escaleras aleatorias | 1.0 | 1.0 |
De tal manera, podemos crear un primer filtro
# Filtro: Valores de la columna
# 'El lenguaje de los talleres fue adecuado'
# que sean mayores o iguales a 4:
df2['El lenguaje de los talleres fue adecuado'] >= 4
0 False
1 False
2 True
3 False
4 False
...
140 False
141 False
142 False
143 False
144 False
Name: El lenguaje de los talleres fue adecuado, Length: 145, dtype: bool
Vemos que obtenemos una tabla con entradas booleanas, donde True indica que el valor en dicha entrada cumple con la condición que especificamos y False caso contrario. Luego, para obtener explícitamente las filas del dataframe que cumplen con la condición, escribimos:
df2[ df2['El lenguaje de los talleres fue adecuado'] >= 4 ]
| Escribe el nombre del taller | El lenguaje de los talleres fue adecuado | Se distinguió los objetivos del taller | |
|---|---|---|---|
| 2 | Serpientes estocásticas y escaleras aleatorias | 5.0 | 5.0 |
| 44 | Carrera de Probabilidades con Mario Kart. | 5.0 | 5.0 |
| 45 | carrera de probabilidades con Mario kart | 5.0 | 5.0 |
| 51 | Los caminos del infinito | 5.0 | 5.0 |
| 60 | Cursos Propedéuticos Facultad de Ciencias | 4.0 | 3.0 |
| 62 | Curso Propedéutico Facultad de Ciencias | 5.0 | 5.0 |
| 67 | Un algoritmo para calcular el día del fin del ... | 4.0 | 5.0 |
| 74 | Ecuación para calcular el fin del mundo | 4.0 | 4.0 |
| 76 | Un algoritmo para calcular el día del fin del ... | 4.0 | 5.0 |
| 88 | El juego del grafimar | 4.0 | 4.0 |
| 97 | Propedéutico facultad de ciencias | 5.0 | 4.0 |
| 103 | Cursos Propedéuticos Facultad de Ciencias | 4.0 | 4.0 |
| 112 | Scram∅ | 4.0 | 5.0 |
| 114 | scrampty | 5.0 | 5.0 |
| 122 | Maquina para transformar café en teoremas | 4.0 | 3.0 |
| 126 | Máquina para transformar café en teoremas | 5.0 | 4.0 |
Veamos ahora a aquellos estudiantes que calificaron con un valor menor o igual a 2 respecto a la pregunta de la columna 'El lenguaje de los talleres fue adecuado'
# ---------------condicion de filtrado----------------
df2[ df2['El lenguaje de los talleres fue adecuado'] <= 2 ]
| Escribe el nombre del taller | El lenguaje de los talleres fue adecuado | Se distinguió los objetivos del taller | |
|---|---|---|---|
| 0 | Serpientes estocásticas y escaleras aleatorias | 1.0 | 1.0 |
| 1 | Serpientes estocásticas y escaleras aleatorias | 1.0 | 1.0 |
| 3 | Serpientes estocásticas y escaleras aleatorias | 1.0 | 1.0 |
| 4 | Serpientes estocásticas y escaleras aleatorias | 1.0 | 1.0 |
| 5 | Serpientes estocásticas y escaleras aleatorias | 1.0 | 2.0 |
| ... | ... | ... | ... |
| 140 | Maquina para transformar cafe en teoremas | 1.0 | 1.0 |
| 141 | TOROS Y VACAS | 1.0 | 1.0 |
| 142 | maquina para transformar café en teoremas | 1.0 | 2.0 |
| 143 | Maquina para transformar café en teoremas | 1.0 | 1.0 |
| 144 | Maquina para transformar café en teoremas | 1.0 | 1.0 |
116 rows × 3 columns
de modo la mayoría de las calificaciones fueron buenas (recordemos que 1 es una muy buena calificación y 5 una muy mala calificación). Podemos utilizar filtros más complejos utilizando and (&) y or (|) como sigue
# Condiciones de filtrado
condicion1 = df2['El lenguaje de los talleres fue adecuado'] == 3
condicion2 = df2['El lenguaje de los talleres fue adecuado'] == 5
# Filtro: se cumple la condicion 1 o se cumple la condicion 2
df2[ condicion1 | condicion2 ]
| Escribe el nombre del taller | El lenguaje de los talleres fue adecuado | Se distinguió los objetivos del taller | |
|---|---|---|---|
| 2 | Serpientes estocásticas y escaleras aleatorias | 5.0 | 5.0 |
| 44 | Carrera de Probabilidades con Mario Kart. | 5.0 | 5.0 |
| 45 | carrera de probabilidades con Mario kart | 5.0 | 5.0 |
| 51 | Los caminos del infinito | 5.0 | 5.0 |
| 62 | Curso Propedéutico Facultad de Ciencias | 5.0 | 5.0 |
| 97 | Propedéutico facultad de ciencias | 5.0 | 4.0 |
| 114 | scrampty | 5.0 | 5.0 |
| 126 | Máquina para transformar café en teoremas | 5.0 | 4.0 |
| 133 | Toros vacas | 3.0 | 2.0 |
De manera similar podemos escribir
# Condiciones de filtrado
condicion1 = df2['Escribe el nombre del taller '] == 'Toros vacas '
# De manera alternativa, en vez de escribir == 3 como se ve abajo,
# podemos usar df2['El lenguaje de los talleres fue adecuado'].eq(3)
condicion2 = df2['El lenguaje de los talleres fue adecuado'] == 3
# Filtro: se cumple la condicion 1 y se cumple la condicion 2
df2[ condicion1 & condicion2 ]
| Escribe el nombre del taller | El lenguaje de los talleres fue adecuado | Se distinguió los objetivos del taller | |
|---|---|---|---|
| 133 | Toros vacas | 3.0 | 2.0 |
Notamos otro punto importante, es necesario hacer limpieza a nuestros datos pues vemos que un estudiante ha ingresado el nombre del taller 'Toros vacas ' colocando un espacio en blanco al final.
Otra manera de filtrar puede ser:
# Condicion de filtrado:
# Columna de interes valores posibles
cond = df2['El lenguaje de los talleres fue adecuado'].isin( [0, 4] )
# Consideraremos las entradas de nuestro dataframe donde los valores
# de la columna 'El lenguaje de los talleres fue adecuado' sean el 0
# o el 4
df2[cond]
| Escribe el nombre del taller | El lenguaje de los talleres fue adecuado | Se distinguió los objetivos del taller | |
|---|---|---|---|
| 60 | Cursos Propedéuticos Facultad de Ciencias | 4.0 | 3.0 |
| 67 | Un algoritmo para calcular el día del fin del ... | 4.0 | 5.0 |
| 74 | Ecuación para calcular el fin del mundo | 4.0 | 4.0 |
| 76 | Un algoritmo para calcular el día del fin del ... | 4.0 | 5.0 |
| 88 | El juego del grafimar | 4.0 | 4.0 |
| 103 | Cursos Propedéuticos Facultad de Ciencias | 4.0 | 4.0 |
| 112 | Scram∅ | 4.0 | 5.0 |
| 122 | Maquina para transformar café en teoremas | 4.0 | 3.0 |
esto es, con el método isin([<lista de valores>]) aplicado a una columna, estamos filtrando los valores de dicha columna que sean iguales a alguna de las posibilidades enmarcadas en la lista [<lista de valores>]. De tal manera, al escribir
df2['El lenguaje de los talleres fue adecuado'].isin( [0, 4] )estamos considerando los valores de la columna 'El lenguaje de los talleres fue adecuado' que tengan el valor de 0 o que tengan el valor de 4 asignado