Para procesar datos de Excel con Python es necesario entender el uso de la librería Pandas del lenguaje Python, esta herramienta nos permite analizar y manipular datos de una forma rápida y flexible. Esta librería usa como elemento principal una estructura de datos llamada dataframe que contiene filas y columnas tal como una tabla de Excel, además, también se usan las series que pueden representar las columnas de Excel.
Para establecer índices definidos por el usuario podemos hacer uso del método set_index() de pandas, esto se muestra en el siguiente código.
En este artículo se va a ejemplificar el uso de los dataframes con el objetivo de manipularlos correctamente y así poder aplicar sus funciones en posteriores procesos y tareas de automatización y procesamiento de datos de Excel.
Requisitos previos
Para poder usar la librería de pandas de Python es necesario instalarla por medio de la línea de comandos. Además, en caso de que ya se tenga instalada un versión de Python en la máquina junto con algunos proyectos del mismo lenguaje entonces es posible que se necesite crear un entorno virtual de Python que nos permita aislar el ambiente de trabajo y con ello evitar la incompatibilidad de las líberías del proyecto de pandas con las librerías de Python que requieren los otros proyectos.
En seguida se detallan algunos pasos recomendados para usar pandas de la mejor manera en nuestra computadora.
- Creación de un entorno virtual para evitar incompatibilidad entre librerías de Python
- Instalación de librería pandas con el entorno virtual previamente activado, esto nos va permitir que la instalación de pandas se realice únicamente al interior del entorno y no de forma global con las librerías de Python que posiblemente ya se tengan instaladas.
- Instalación de la librería openpyxl, algunos métodos de pandas dependen directamente de la librería openpyxl, por ejemplo, el guardado de dataframes en archivos excel requiere de esta librería, por tanto también será importante instalarla aunque en un primer momento solo se trabaje con el procesamiento de datos con pandas.
- Elección del interprete correcto de Python, la correcta elección de del interprete nos va ayudar a importar a nuestro programa las librerías que se instalaron para el entorno virtual que fue creado, esto es, si se elige otro interprete que fue instalado de manera global en la computadora y para ese entorno global no se instalo pandas entonces se van a crear errores de importación en el script de trabajo, por tanto se recomienda hacer uso de un editor de código que nos permita elegir un interprete de Python de entre los diversos que existan en nuestra computadora. Un editor de mucha utilidad es Visual Studio Code.
A continuación se muestran algunos comandos usados para este artículo, el interprete de comandos usado es el de Powershell de Windows.
> python - m venv dataframes # creación del entorno virtual
> .\dataframes\Scripts\activate # activación del entorno virtual
> pip install pandas # instalación de pandas
> pip install openpyxl # instalación de openpyxl
Creación de dataframes
Los dataframes se pueden crear a partir de estructuras de datos de Python, por ejemplo, listas, diccionarios y combinaciones de estas estructuras.
A continuación se crea un diccionario a partir de una lista.
lista = ['Guayaba', 'Manzana', 'Jitomate', 'Pera', 'Kiwi', 'Rabano']
dataframe = pd.DataFrame(lista)
Así mismo, podemos crear un dataframe a partir de un diccionario de arreglos numpy.
datos = {
'Producto': np.array(['Mayonesa', 'Cafe', 'Galletas']),
'Precio' : np.array([100, 50, 29]),
'Cantidad': np.array([40, 25, 20]),
'Unidad': np.array(['Caja', 'Caja', 'Tarima'])
}
dataframeProductos = pd.DataFrame(datos)
Índice de una dataframe
El índice de un DataFrame es una serie de etiquetas que identifican cada fila, estos índices nos permiten acceder a los datos de manera eficiente y puede ser valores numéricos (valores predeterminado) o bien, etiquetas definidas por el usuario. Cuando imprimimos en pantalla un dataframe, los índices se pueden ver como una primer columna a la izquierda de los datos. Esto se pueden ver en la siguiente imagen.
galletas = {
'Marca': ['SaltyCookies', 'ChocoCookies', 'Polvorin', 'Canelocas', 'BakedCookies'],
'Categoria': ['Saladas', 'Rellenas', 'Mantequilla', 'Azucaradas', 'Saludables'],
'UPC': ['09897241', '05892231', '19497872', '89897228', '49807382'],
'Lote': ['MNX09', 'ZXV87', 'RTY91', 'ZXP92', 'NNQ62'],
'Precio': [55, 30, 65, 35, 70]
}
dataframeGall = pd.DataFrame(galletas)
dataframeNuevoIndice = dataframeGall.set_index('UPC')
Así mismo, podemos acceder a una fila específica por medio del método loc, para ello tenemos que especificar el índice, en este caso el índice fue establecido por el usuario. En este caso se accede a la fila cuyo índice es el UPC 05892231, la fila se imprime por pantalla.
print(dataframeNuevoIndice.loc['05892231'])
En caso de que se desee acceder a una columna de un dataframe tenemos que especificar la etiqueta de la columna. En el siguiente código se obtiene la columna o serie y se guarda en una variable.
columnaCodigos = dataframeGall['UPC']
También podemos acceder a filas que cumplan un determinado criterio, por ejemplo, usando el dataframe que contiene datos de galletas, podemos acceder a las filas cuyo precio sea menor a 40 pesos.
datosFiltrados = dataframeGall[dataframeGall['Precio'] < 40]
En caso de querer guardar esas filas con precio menor a 40 en un archivo de excel, podemos hacer lo siguiente.
archivo = "preciosBajos.xlsx"
datosFiltrados.to_excel(archivo)
Con las herramientas descritas anteriormente podemos comenzar a procesar datos desde Python y de esta manera usar toda su infraestructura con el propósito combinarla con las capacidades de Excel. Por ejemplo, podemos recibir datos desde una API, procesarlos con pandas y posteriormente enviarlos a Excel para llevar a cabo algún análisis específico tal como crear reportes con los datos, tomar decisiones basadas en datos, gestión de logística, etc.
Referencias
