Ejecutar pandas online

Manejar datos faltantes en pandas

En esta lección vas a localizar los valores faltantes (NaN) de un DataFrame y sustituirlos por la mediana de la columna.

  • Intermedio
  • 2 min de lectura
  • 1 ejemplo ejecutable

Introducción

El problema

Los datos reales tienen huecos: una pregunta de encuesta sin responder, un sensor que se saltó una lectura, una celda que quedó vacía. Si ignoras los huecos, muchos cálculos fallan o dan respuestas engañosas. Tienes que encontrarlos y decidir qué hacer con ellos.

Imagínalo así

Tratar los valores que faltan es como un profesor cuyo cuaderno de notas tiene una celda vacía. Puede dejar fuera al estudiante o rellenar la celda con una estimación justa, como la nota central de la clase. En los dos casos, la decisión se toma a propósito.

De una celda vacía del cuaderno al código
np.nan⬜ La celda vacía
students["score"].median()📏 Una estimación justa: la nota central, 90
.fillna(...)🖊️ Rellena la celda vacía con ella
students["score"] = ...💾 Guarda la columna rellenada
Encuentra los huecos y luego rellénalos o elimínalos a propósito.
En una frase

Los valores que faltan son celdas sin datos, que se muestran como NaN. Puedes rellenarlos con un valor como la mediana o quitar las filas que los contienen.

Puntos clave

  1. np.nan marca la nota de Lin como ausente.
  2. students["score"].median() ignora el hueco y devuelve 90.0, el punto medio entre 95 y 85.
  3. .fillna(...) sustituye el hueco por ese valor.
  4. Asignar el resultado de nuevo a students["score"] guarda el cambio. La columna pasa a float porque NaN es un float.

¿Cuándo se usa?

  • Limpiar datos de encuestas, sensores y formularios antes del análisis.
  • Rellenar huecos con un valor típico para que los cálculos funcionen.
  • Contar los huecos con isna().sum() para valorar la calidad de los datos.

Cuándo no hace falta

  • Faltan la mayoría de los valores de una columna: rellenarlos sería inventar datos. Plantéate quitar la columna.
  • El hecho de que falte un valor es importante en sí mismo: guarda una columna aparte de True/False antes de rellenar.

Código de ejemplo

Ejecutar código →
main.py
import pandas as pd
import numpy as np

students = pd.DataFrame({"name": ["Ada", "Lin", "Sam"], "score": [95, np.nan, 85]})
students["score"] = students["score"].fillna(students["score"].median())

print(students)
Obtén un botón Run para este ejemplo

Resultado de la ejecución

name  score
0  Ada   95.0
1  Lin   90.0
2  Sam   85.0

Explicación del código

La mediana se calcula con las notas disponibles, 95 y 85, y vale 90. El método fillna() sustituye el NaN de Lin por 90. El resultado se vuelve a asignar a la columna score para que el cambio quede guardado en el DataFrame. Usar la mediana en lugar de la media hace que el resultado se vea menos afectado por valores muy grandes o muy pequeños.

Cambia los valores y ejecuta el programa en el compilador Python online de CodeUtility sin instalar Python.

Ejercicios de práctica

Prueba a modificar el código siguiendo las ideas de abajo. Cambiar el código y ver el resultado te ayudará a entender la lección mucho mejor que solo leerla.

  1. Añade filas, columnas y algunos valores faltantes a los datos de ejemplo.
  2. Combina filtrado, ordenación y groupby para obtener un pequeño informe.
  3. Lee un archivo de datos real, comprueba el tipo de cada columna y trata los valores no válidos.
Ejecutar en el compilador de Python →

Errores comunes

No guardar el resultado

fillna devuelve una Series nueva. Si no la asignas, nada cambia.

Problema
students["score"].fillna(students["score"].median())
Solución
students["score"] = students["score"].fillna(students["score"].median())

¿Terminaste esta lección?

Márcala como aprendida para seguir tu progreso.