Summary  
This chapter covers how to read delimited text files into a pandas DataFrame using `pd.read_csv()` with the `sep`, `header`, and `names` parameters to control parsing, and how to extract individual rows via `.iloc[]`.  

General domain of usage  
Data analysis

Watch this video for a step-by-step explanation of how to read TXT files using pandas. You'll see how to use the `pd.read_csv()` function, set the correct `sep` parameter for text files, and handle files without column headers. This visual guide will reinforce the concepts from the chapter and help you confidently read and process TXT data in your own projects.

Para leer **archivos de texto** en `pandas`, puedes utilizar la misma función, `pd.read_csv()`. Sin embargo, para asegurar que el archivo de texto se lea correctamente, es fundamental usar un parámetro adicional llamado `sep`, que significa **separador** o **delimitador** en el texto.

```python
# Importing pandas library
import pandas as pd

# Reading a text file into a DataFrame
text_data = pd.read_csv('file.txt', sep='\r', header=None)
```

Si tu archivo de texto no tiene una **fila de encabezado** que contenga los nombres de las columnas, establece el parámetro `header` en `None`. Esto le indica a `pandas` que no trate la primera fila como nombres de columnas.

Para usar una nueva línea como separador en un archivo, lo cual es común en archivos de texto, establece `sep='\r'`. Aquí, `'\r'` representa un retorno de carro, que es un carácter especial utilizado para indicar una nueva línea.

Nota

### Extracción de una sola fila

Una vez que tu archivo de texto está cargado en un `DataFrame`, puedes acceder a filas individuales usando `.iloc[]`, pasando la posición de la fila que deseas:

```python
# Extracting the first row
first_row = text_data.iloc[0]
```



Cuando se selecciona una sola fila (o una sola columna) de un `DataFrame`, `pandas` no devuelve otro `DataFrame`, sino que retorna una **`Series`**. Una `Series` es un arreglo unidimensional etiquetado, lo que significa que contiene una única secuencia de valores junto con un índice, pero sin una estructura de columnas separada. Por eso, `first_row` se verá y se comportará de manera diferente a `text_data`: no tendrá `.columns`, y al imprimirla mostrará el índice junto a cada valor en lugar de un formato de tabla.

import unittest
import importlib
import pandas as pd


# Helper function to dynamically generate test names and assertions
def _dynamic_test(test_case, condition, success_message, failure_message):
    if condition:
        test_case._testMethodName = success_message
        test_case.assertTrue(True, success_message)
    else:
        test_case._testMethodName = failure_message
        test_case.fail(failure_message)


def get_first_differing_row(expected_df, actual_df):
    expected_list = expected_df.astype(str).apply(tuple, axis=1)
    actual_list = actual_df.astype(str).apply(tuple, axis=1)

    for i, (row1, row2) in enumerate(zip(expected_list, actual_list)):
        if row1 != row2:
            return i, expected_df.iloc[i].values, actual_df.iloc[i].values

    if len(expected_df) > len(actual_df):
        return len(actual_df), expected_df.iloc[len(actual_df)].values, None
    else:
        return len(expected_df), None, actual_df.iloc[len(expected_df)].values


class TestUserCode(unittest.TestCase):

    def test_text_data_is_declared(self):
        import user_code
        _dynamic_test(
            self,
            hasattr(user_code, 'text_data'),
            "The `text_data` variable is declared.",
            "Expected `text_data` to be declared."
        )

    def test_text_data_is_dataframe(self):
        import user_code

        try:
            condition = isinstance(user_code.text_data, pd.DataFrame)
            failure_message = f"Expected `text_data` to be a `DataFrame`, but got `{type(user_code.text_data).__name__}`."
        except AttributeError:
            condition = False
            failure_message = "The `text_data` variable is not declared."

        _dynamic_test(
            self,
            condition,
            "The variable `text_data` is a `DataFrame`.",
            failure_message
        )

    def test_text_data_is_correct(self):
        import user_code
        row_1 = 'pandas is a software library written for the Python programming language for data manipulation and analysis. In particular, it offers data structures and operations for manipulating numerical tables and time series. It is free software released under the three-clause BSD license.[2] The name is derived from the term "panel data", an econometrics term for data sets that include observations over multiple time periods for the same individuals.[3] Its name is a play on the phrase "Python data analysis" itself.[4] Wes McKinney started building what would become pandas at AQR Capital while he was a researcher there from 2007 to 2010.[5]'
        row_2 = "taken from the site:"
        row_3 = "https://en.wikipedia.org/wiki/Pandas_(software)"
        expected_df = pd.DataFrame([row_1, row_2, row_3])

        variable = 'text_data'
        actual_df = getattr(user_code, variable, None)
        condition = False
        if actual_df is None:
            failure_message = f"The `{variable}` variable is not declared."
        elif not isinstance(actual_df, pd.DataFrame):
            failure_message = f"`{variable}` is not a `DataFrame`."
        elif actual_df.empty:
            failure_message = f"`{variable}` is empty."
        elif actual_df.equals(expected_df):
            condition = True
            failure_message = None
        else:
            idx, expected_row, actual_row = get_first_differing_row(expected_df, actual_df)
            failure_message = f"Expected `{variable}` to contain `{expected_row}` at row {idx}, but got `{actual_row}`."

        _dynamic_test(
            self,
            condition,
            f"`{variable}` contains the correct data.",
            failure_message
        )

    def test_first_row_is_declared(self):
        import user_code
        _dynamic_test(
            self,
            hasattr(user_code, 'first_row'),
            "The `first_row` variable is declared.",
            "Expected `first_row` to be declared."
        )

    def test_first_row_is_series(self):
        import user_code

        try:
            condition = isinstance(user_code.first_row, pd.Series)
            failure_message = f"Expected `first_row` to be a `Series`, but got `{type(user_code.first_row).__name__}`."
        except AttributeError:
            condition = False
            failure_message = "The `first_row` variable is not declared."

        _dynamic_test(
            self,
            condition,
            "The variable `first_row` is a `Series`.",
            failure_message
        )

    def test_first_row_is_correct(self):
        import user_code
        row_1 = 'pandas is a software library written for the Python programming language for data manipulation and analysis. In particular, it offers data structures and operations for manipulating numerical tables and time series. It is free software released under the three-clause BSD license.[2] The name is derived from the term "panel data", an econometrics term for data sets that include observations over multiple time periods for the same individuals.[3] Its name is a play on the phrase "Python data analysis" itself.[4] Wes McKinney started building what would become pandas at AQR Capital while he was a researcher there from 2007 to 2010.[5]'
        row_2 = "taken from the site:"
        row_3 = "https://en.wikipedia.org/wiki/Pandas_(software)"
        expected_df = pd.DataFrame([row_1, row_2, row_3])
        expected_value = expected_df.iloc[0]

        variable = 'first_row'
        actual_value = getattr(user_code, variable, None)
        if actual_value is None:
            condition = False
            failure_message = f"The `{variable}` variable is not declared."
        elif isinstance(actual_value, pd.Series):
            condition = actual_value.equals(expected_value)
            if actual_value.empty:
                failure_message = f"`{variable}` is empty."
            else:
                failure_message = f"Expected `{variable}` to contain `{expected_value.values}`, but got `{actual_value.values}`."
        else:
            condition = False
            failure_message = f"`{variable}` is not a `Series`."

        _dynamic_test(
            self,
            condition,
            f"`first_row` contains the correct values.",
            failure_message
        )


if __name__ == '__main__':
    unittest.main()

test_main.py

Pandas es una biblioteca sumamente intuitiva para el análisis de datos. También está diseñada para manejar grandes conjuntos de datos, utilizando estructuras como DataFrame y Series. Esto la convierte en una herramienta invaluable para la Ciencia de Datos. En esta guía, se presentarán diversas funciones estadísticas, incluyendo cómo encontrar correlaciones, modas, medianas, y valores máximos y mínimos dentro de un conjunto de datos. También se abordará el manejo de valores ausentes y la manipulación de valores específicos, así como su eliminación.

Sumérgete en los fundamentos de la biblioteca pandas. Aprende a crear y manipular Series y DataFrames, explora su estructura y adquiere confianza al realizar operaciones esenciales de datos.

Domina cómo cargar y gestionar datos desde archivos CSV y TXT. Adquiere experiencia práctica importando conjuntos de datos y preparándolos para análisis posteriores utilizando las herramientas de pandas.

Aprenda a explorar, limpiar y resumir datos de manera efectiva. Comprenda cómo manejar valores faltantes, extraer información y realizar operaciones estadísticas básicas con pandas.

Archivos TXT

Extracción de una sola fila

Solución