Summary  
This chapter covers using pandas DataFrame aggregation methods: `count()` to count non-null values per column (or in a specific column) and `sum()` to total numeric or boolean columns (including counting missing values via `isna().sum()`).  

General domain of usage  
Data analysis

`pandas` ofrece el método `count()`, que cuenta todas las celdas **no nulas** (ni `None` ni `NaN`) para cada columna.
```python
df = pd.read_csv(file.csv)
number_of_cells = df.count()
```

Para encontrar el **conteo** de valores no nulos en una columna específica, use la siguiente sintaxis:
```python
df = pd.read_csv(file.csv)
number_of_cells = df['name of the column'].count()
```

`pandas` también proporciona el método `sum()`. Este método calcula la suma de los valores para cada columna, pero solo funciona con columnas **numéricas** o **booleanas**.
```python
df = pd.read_csv(file.csv)
total = df.sum()
```

Dado que el método `isna()` devuelve un **DataFrame booleano**, puede usar la siguiente sintaxis para calcular el número de valores faltantes para cada una de las columnas:

```python
missing_values_count = df.isna().sum()
```

Para encontrar la suma de valores en una columna particular, usa la siguiente sintaxis:
```python
df = pd.read_csv(file.csv)
total = df['name of the column'].sum()
```

Pandas es una biblioteca extremadamente fácil de usar para el análisis de datos. También está diseñada para manejar grandes conjuntos de datos, utilizando estructuras de datos como DataFrame y Series. Esto la convierte en una herramienta invaluable para la Ciencia de Datos. En esta guía, te familiarizarás con una variedad de funciones estadísticas, incluyendo cómo encontrar correlaciones, modas, medianas y valores máximos y mínimos dentro de un conjunto de datos. También aprenderás a manejar valores faltantes y manipular valores específicos, así como a eliminarlos.

En esta sección, exploraremos los fundamentos de las estructuras Series y DataFrame. También aprenderás sobre las diferencias entre estos dos tipos de estructuras.

Los datos pueden obtenerse en varios formatos, como CSV, JSON, SQL, HTML y más. Con Pandas, no estás limitado a un solo formato: puedes trabajar con datos de una multitud de tipos de archivos. En este capítulo, nos centraremos específicamente en los formatos CSV y TXT.

Aquí, aprenderás a procesar datos en bruto eliminando información innecesaria y gestionando valores nulos en un conjunto de datos.

Sum() y Count()

Solución

Awesome!

Sum() y Count()

Solución

Awesome!