Introducción
El método DataFrame.from_records() en Pandas se utiliza para convertir un ndarray estructurado o de registros en un DataFrame. Puede crear un objeto DataFrame a partir de un ndarray estructurado, una secuencia de tuplas o un DataFrame.
Consejos sobre la VM
Una vez finalizada la inicialización de la VM, haga clic en la esquina superior izquierda para cambiar a la pestaña Cuaderno y acceder a Jupyter Notebook para practicar.
En ocasiones, es posible que tenga que esperar unos segundos a que Jupyter Notebook termine de cargarse. La validación de las operaciones no se puede automatizar debido a las limitaciones de Jupyter Notebook.
Si tiene problemas durante el aprendizaje, no dude en preguntar a Labby. Deje sus comentarios después de la sesión y lo resolveremos rápidamente para usted.
Importar las bibliotecas necesarias
Primero, importe las bibliotecas pandas y numpy para utilizar sus funciones y métodos más adelante en el código.
import pandas as pd
import numpy as np
Crear un ndarray estructurado
A continuación, cree un ndarray estructurado, que contiene datos de entrada estructurados. Este ndarray se puede crear utilizando la función numpy.array y especificando el tipo de datos para cada campo. Por ejemplo:
data = np.array([(3, 'a'), (2, 'b'), (1, 'c'), (0, 'd')], dtype=[('col_1', 'i4'), ('col_2', 'U1')])
Convertir el ndarray en un DataFrame
Utilice el método DataFrame.from_records() para convertir el ndarray estructurado en un DataFrame. Este método toma el ndarray estructurado como datos de entrada y devuelve un objeto DataFrame. Asigne el objeto DataFrame a una variable para poder acceder y manipular el DataFrame más adelante. Por ejemplo:
df = pd.DataFrame.from_records(data)
Mostrar el DataFrame
Imprima el DataFrame para ver los resultados. Utilizando la función print() se mostrará el DataFrame en un formato tabular. Por ejemplo:
print(df)
Resumen
Siguiendo estos pasos, puede utilizar el método DataFrame.from_records() en Pandas para convertir un ndarray estructurado en un DataFrame. Este método es útil cuando se trabaja con datos de entrada estructurados y permite manipular y analizar fácilmente los datos utilizando las potentes características de Pandas.