DataFrame in Pandas: manipolazione delle tabelle in modo rapido e chiaro in Python

Il DataFrame in Pandas è una struttura dati per Python, utilizzabile per creare e manipolare le tabelle. In questo articolo ti spieghiamo la sintassi di questa struttura dati, oltre ai relativi metodi e alle sue proprietà principali.

Come funzionano i DataFrame in Pandas?

I DataFrame di Pandas sono l’elemento centrale della libreria Pandas di Python e consentono di analizzare i dati in modo efficiente e flessibile in Python. Un DataFrame di Pandas è una struttura di dati bidimensionale e tabellare contenente righe numerate e colonne etichettate. Questa struttura ti permette di organizzare i dati in un formato facile da comprendere e manipolare, simile ai programmi per fogli di calcolo come Excel o LibreOffice. Ogni colonna di un DataFrame può contenere diversi tipi di dati Python, il che significa che in un DataFrame è possibile salvare dati eterogenei, ad esempio valori numerici, sequenze di caratteri e booleani, in un’unica tabella.

Struttura dei DataFrame in Pandas

Un DataFrame è costituito da tre componenti principali: i dati stessi, gli indici di riga e i nomi di colonna. L’indice di riga (o semplicemente indice) funge da identificatore univoco per ogni riga. Per impostazione predefinita, le righe sono indicizzate con valori numerici, che però possono essere sostituiti da stringhe. Tieni presente che i DataFrame in Pandas hanno indicizzazione null, ossia gli indici partono da 0.

Close

Come utilizzare i DataFrame in Pandas

I DataFrame in Pandas offrono svariate tecniche e metodi che permettono di modificare, analizzare e visualizzare i dati in modo efficiente. Nei paragrafi seguenti imparerai alcuni dei concetti e dei metodi più importanti per la manipolazione dei dati con i DataFrame in Pandas.

Creazione di DataFrame in Pandas

Se hai già memorizzato i dati desiderati in una lista di Python o in un dizionario in Python, puoi creare facilmente un DataFrame partendo da tali dati. A questo scopo non devi far altro che trasferire la struttura di dati esistente, come argomento, al costruttore DataFrame pandas.DataFrame([Dati]). Tuttavia, il modo in cui Pandas interpreta i tuoi dati dipende dalla struttura di dati che trasmetti al costruttore. Di seguito ti mostriamo un esempio di come creare un DataFrame in Pandas partendo da un elenco in Python:

import pandas
elenco = ["Alberto", "Beatrice", "Carla", "Diego", "Elisabetta", "Franco"]
df = pandas.DataFrame(elenco)
print(df)
# Risultato:
#            0
# 0     Alberto
# 1      Beatrice
# 2     Carla
# 3    Diego
# 4    Elisabetta
# 5  Franco

Come puoi notare nell’esempio sopra, con elenchi semplici è possibile creare solo DataFrame con una singola colonna non etichettata. Per questo motivo è consigliabile creare i DataFrame partendo da dizionari che contengono gli elenchi. In questo modo, le chiavi vengono interpretate come nomi delle colonne e gli elenchi come i dati a esse correlati. Per chiarire il funzionamento, osserva l’esempio seguente:

import pandas
dati = {
    'Nome': ['Arturo', 'Bruno', 'Cristiano'],
    'Età': [34, 30, 55],
    'Stipendio': [75000.0, 60000.5, 90000.3],
}
df = pandas.DataFrame(dati)
print(df)
# Risultato:
#         Nome  Età   Stipendio
# 0     Arturo     34  75000.0
# 1      Bruno     30  60000.5
# 2  Cristiano     55  90000.3

Con questo metodo il DataFrame acquisisce immediatamente il formato e i titoli che desideri. Se invece non vuoi appoggiarti alle strutture di dati integrate in Python, puoi anche caricare i tuoi dati da una fonte esterna, ad esempio da un file CSV o da un database SQL. A tal fine è sufficiente richiamare l’apposita funzione di Pandas:

import pandas
import sqlalchemy
# DataFrame da CSV:
csv = pandas.read_csv("file-csv/dati.csv")
# DataFrame da SQL:
engine = create_engine('postgresql://nomeutente:password@localhost:5432/mio_database')
sql = pandas.read_sql_query('SELECT * FROM tabella', engine)

I DataFrame csv e sql dell’esempio precedente contengono ora tutti i dati del file dati.csv e della tabella SQL tabella. In più, è possibile specificare ulteriori dettagli durante la creazione di un DataFrame partendo da una fonte esterna, ad esempio scegliendo se includere o meno gli indici numerici nel DataFrame. Per ulteriori informazioni sugli argomenti aggiuntivi delle due funzioni consulta la pagina ufficiale per i DataFrame in Pandas.

DataFrame in Pandas: visualizzazione dei dati

Con i DataFrame in Pandas puoi visualizzare non soltanto l’intera tabella, ma anche singole righe e colonne. In più, puoi scegliere le righe e le colonne da visualizzare. L’esempio seguente mostra come visualizzare righe o colonne singole o multiple:

# Mostra la riga 0
print(df.loc[0])
# Mostra righe da 3 a 6
print(df.loc[3:6])
# Mostra righe da 3 e 6
print(df.loc[[3, 6]])
# Mostra colonna “Professione”
print(df["Professione"])
# Mostra colonne “Professione” e “Età”
print(df[["Professione", "Età"]])
# Selezione di più righe e colonne
print(df.loc[[3, 6], ['Professione', 'Età']])

Come puoi notare nell’esempio, facendo riferimento a una colonna si utilizza soltanto il nome della colonna stessa tra parentesi semplici, come nei dizionari Python. Al contrario, quando si fa riferimento a una riga si utilizza sempre l’attributo loc. Con loc è possibile anche usare condizioni logiche per filtrare i dati. Questa alternativa è utilizzata nel seguente blocco di codice, che stampa solo le righe in cui il valore “Età” è maggiore di 30:

print(df.loc[df['Età'] > 30])

Inoltre, è possibile utilizzare l’attributo iloc per selezionare righe e colonne in base alla loro posizione nel DataFrame. In questo modo, ad esempio, puoi visualizzare la cella nella terza riga della quarta colonna:

print(df.iloc[3, 4])
# Risultato:
# Torino
print(df.iloc[[3, 4, 6], 4])
# Risultato:
# 3    Torino
# 4    Milano
# 6    Venezia

DataFrame in Pandas: iterazione sulle righe

Quando si manipolano i dati in Python, spesso è necessario eseguire iterazioni sulle righe di un DataFrame in Pandas, ad esempio per applicare la stessa operazione su tutti i dati. A tal fine, Pandas offre due diversi metodi per DataFrame: itertuples() e iterrows(). Entrambi i metodi presentano vantaggi e svantaggi in termini di prestazioni e facilità d’uso.

Il metodo iterrows() restituisce una tupla composta da indice e serie per ciascuna riga del DataFrame. Una serie è un’altra struttura dati di Pandas o NumPy che è molto simile a una lista di Python in molti aspetti, ma che offre prestazioni migliori. È possibile accedere ai singoli elementi della serie utilizzando il nome della colonna, il che semplifica molto la gestione dei dati.

Sebbene le serie di Pandas siano di gran lunga più efficienti delle liste di Python, questa struttura di dati presenta comunque un notevole overhead in termini di prestazioni. Per questo motivo è particolarmente consigliato il metodo itertuples() per i DataFrame molto grandi. A differenza di iterrows(), il metodo itertuples() restituisce l’intera riga compreso l’indice sotto forma di tuple, che offrono prestazioni molto superiori rispetto alle serie. Le tuple permettono di accedere ai singoli elementi utilizzando un punto, come nel caso degli attributi di un oggetto.

Un’altra importante differenza tra serie e tuple è che le tuple non sono mutabili. Pertanto, se desideri eseguire un’iterazione su un DataFrame e modificare i valori utilizzando itertuples(), devi fare riferimento al DataFrame usando l’attributo at e l’indice della tupla. Questo attributo funziona in modo molto simile a loc. L’esempio seguente mostra le differenze tra iterrows() e itertuples():

import pandas
df = pandas.DataFrame({
    'Nome': ['Alice', 'Bruno', 'Carlo],
    'Età': [25, 30, 35],
    'Stipendio': [70000.0, 80000.5, 90000.3]
})
for index, row in df.iterrows():
        row['Stipendio'] += 1000
        print(f"Index: {index}, Età: {row['Età']}, Stipendio: {row['Stipendio']}")
for tup in df.itertuples():
        df.at[tup.Index, 'Stipendio'] += 1000 # Modifica valore tramite at[] direttamente nel DataFrame
        print(f"Index: {tup.Index}, Età: {tup.Età}, Stipendio: {df.loc[tup.Index, 'Stipendio']}")
# Entrambi i cicli danno lo stesso risultato