Pandas tipos de datos (dtype y conversión de tipos)

Pandas ofrece un sistema de tipos de datos enriquecido. Comprender y usar correctamente los tipos de datos es la base de un análisis de datos eficiente. Esta sección detalla el sistema de tipos de datos de Pandas, la inferencia de tipos y los métodos de conversión de tipos.

Descripción general de los tipos de datos de Pandas

dtype Descripción Tipo de Python Ejemplo
int64 Entero de 64 bits int 1, 2, 100
float64 Flotante de 64 bits float 1.5, 3.14
object Cadena o tipo mixto str "hello"
bool Booleano bool True, False
datetime64[ns] Fecha y hora datetime 2024-01-01
timedelta64[ns] Diferencia de tiempo timedelta 1 days
category Tipo categórico - Conjunto finito

Ejemplos

import pandas as pd
import numpy as np

# Crear un DataFrame con varios tipos de datos
df = pd.DataFrame({
    "Entero": [1, 2, 3],
    "Flotante": [1.5, 2.5, 3.5],
    "Cadena": ["a", "b", "c"],
    "Booleano": [True, False, True],
    "Fecha": pd.date_range("2024-01-01", periods=3)
})

print("Tipos de datos de cada columna:")
print(df.dtypes)

Inferencia y especificación de tipos

Inferencia automática de tipos

Ejemplos

import pandas as pd

# Inferencia de tipos al leer CSV
# pandas intenta inferir el tipo más adecuado para cada columna
df = pd.read_csv("data.csv")

# o especificar el tipo explícitamente con el parámetro dtype
df = pd.read_csv("data.csv", dtype={
    "Edad": "int32",     # Especificar como entero de 32 bits para ahorrar memoria
    "Salario": "float32",   # Especificar como flotante de 32 bits
    "Nombre": "string"     # Usar cadena de PyArrow
})

Especificar tipos al crear

Ejemplos

import pandas as pd
import numpy as np

# Crear una Series con un tipo de datos especificado
s = pd.Series([1, 2, 3], dtype="int8")  # Usar un tipo entero más pequeño
print(f"tipo int8: {s.dtype}")

s = pd.Series([1.5, 2.5, 3.5], dtype="float32")  # Usar float32
print(f"tipo float32: {s.dtype}")

# Usar tipo numpy
s = pd.Series([1, 2, 3], dtype=np.int8)
print(f"tipo np.int8: {s.dtype}")

Conversión de tipos

Convertir con astype

Ejemplos

import pandas as pd
import numpy as np

# Crear datos de ejemplo
df = pd.DataFrame({
    "Entero": [1, 2, 3],
    "Flotante": [1.5, 2.5, 3.5],
    "Cadena": ["1", "2", "3"],
    "Booleano": [1, 0, 1]
})

print("Tipos originales:")
print(df.dtypes)
print()

# Convertir a cadena
df["Entero_str"] = df["Entero"].astype(str)
print("Después de convertir a cadena:")
print(df.dtypes)

# Convertir cadena a numérico
df["Cadena_int"] = df["Cadena"].astype(int)
print("\n"Cadena a entero:")
print(df.dtypes)

# Convertir numérico a booleano (no cero es True)
df["Booleano_int"] = df["Booleano"].astype(bool)
print("\n"Entero a booleano:")
print(df.dtypes)

# Convertir flotante a entero (truncando)
df["Flotante_int"] = df["Flotante"].astype(int)
print("\n"Flotante a entero:")
print(df)

Convertir con pd.to_numeric

Ejemplos

import pandas as pd
import numpy as np

# Procesar cadenas numéricas con caracteres especiales
s = pd.Series(["$1,000", "$2,500", "$3,200"])

# Limpiar y convertir
s_cleaned = s.str.replace("$", "", regex=False).str.replace(",", "", regex=False)
s_numeric = pd.to_numeric(s_cleaned)
print("Cadena a numérico:")
print(s_numeric)
print(f"Tipo: {s_numeric.dtype}")
print()

# Manejar valores faltantes
s_with_na = pd.Series(["1", "2", "NA", "4"])
s_numeric = pd.to_numeric(s_with_na, errors="coerce")  # Convertir valores no válidos a NaN
print("Manejo de valores faltantes:")
print(s_numeric)

Convertir fechas con pd.to_datetime

Ejemplos

import pandas as pd

# Conversión de varios formatos de fecha
dates = ["2024-01-01", "2024/01/02", "01/03/2024", "20240104"]

# Convertir fecha
dt = pd.to_datetime(dates, errors="coerce")
print("Resultado de la conversión de fecha:")
print(dt)
print(f"Tipo: {dt.dtype}")
print()

# Especificar el formato de fecha
dates2 = ["20240101", "20240102", "20240103"]
dt2 = pd.to_datetime(dates2, format="%Y%m%d")
print("Conversión con formato especificado:")
print(dt2)

Optimización de memoria

Elegir el tipo de datos adecuado puede reducir significativamente el uso de memoria.

Selección de tipos de enteros

Ejemplos

import pandas as pd
import numpy as np

# Crear una Series con una gran cantidad de datos
s = pd.Series(np.random.randint(0, 100, 1000000))

# int64 por defecto
print(f"Memoria int64: {s.dtype} -> {s.memory_usage(deep=True) / 1024 / 1024:.2f} MB")

# Convertir a un tipo más pequeño
s_int8 = s.astype("int8")
print(f"Memoria int8: {s_int8.dtype} -> {s_int8.memory_usage(deep=True) / 1024 / 1024:.2f} MB")

# Elegir el tipo adecuado según el rango de datos
# np.iinfo para ver el rango de enteros
print(f"\n"rango int8: {np.iinfo('int8').min} a {np.iinfo('int8').max}")
print(f"rango int16: {np.iinfo('int16').min} a {np.iinfo('int16').max}")
print(f"rango int32: {np.iinfo('int32').min} a {np.iinfo('int32').max}")

Usar el tipo category

Ejemplos

import pandas as pd
import numpy as np

# Crear una Series con muchos valores repetidos
s = pd.Series(np.random.choice(["Pekín", "Shanghái", "Guangzhou", "Shenzhen"], 1000000))

# Tipo cadena
print(f"Memoria tipo object: {s.dtype} -> {s.memory_usage(deep=True) / 1024 / 1024:.2f} MB")

# Convertir a tipo category
s_cat = s.astype("category")
print(f"Memoria tipo category: {s_cat.dtype} -> {s_cat.memory_usage(deep=True) / 1024 / 1024:.2f} MB")

# Desventaja: algunas operaciones serán más lentas
print("\n"Información de category:")
print(s_cat.cat.categories)

Comprobación y detección de tipos

Ejemplos

import pandas as pd
import numpy as np

df = pd.DataFrame({
    "Entero": [1, 2, 3],
    "Flotante": [1.5, 2.5, 3.5],
    "Cadena": ["a", "b", "c"]
})

# Comprobar el tipo de datos
print("Comprobar si es tipo numérico:")
print(df.dtypes)

# Usar is_integer_dtype
print(f"\n"Columna entera: {pd.api.types.is_integer_dtype(df['Entero'])}")
print(f"Columna flotante: {pd.api.types.is_float_dtype(df['Flotante'])}")
print(f"Columna cadena: {pd.api.types.is_object_dtype(df['Cadena'])}")

# Comprobar si se puede convertir a numérico
print(f"\n"Se puede convertir a numérico: {pd.api.types.is_numeric_dtype(df['Entero'])}")
print(f"Es fecha y hora: {pd.api.types.is_datetime64_any_dtype(pd.Series(pd.date_range('2024', periods=3)))}")

Preguntas frecuentes

1. Aparecen flotantes en columnas de enteros

Cuando se mezclan NaN en un DataFrame, automáticamente se convierte a float64; usandoNullable Integerel tipo puede conservar los valores nulos de enteros.

2. Formatos de fecha inconsistentes

Usapd.to_datetimey especificaformatel parámetro para manejar formatos no estándar.

3. Error de tipo al leer CSV

Utilicedtypeel parámetro para especificar explícitamente el tipo, o useconverterspara realizar la conversión.

Para conjuntos de datos grandes, priorice el uso de tipos de datos más pequeños (como int8, int16, float32) y tipos category para reducir el uso de memoria.

Otras extensiones