**Series** es la estructura de datos más simple en pandas. Ahora vamos a profundizar en una estructura de datos más compleja: **DataFrame**. Se trata de un objeto bidimensional de uso más común.

To create a `DataFrame` object, you'll need to use a `dictionary` in conjunction with the `.DataFrame()` constructor.

import pandas as pd
dataset = {'name' : ['Ann', 'Alex', 'Kevin', 'Kate'], 
          'age' : [35, 12, 24, 45]}

data_frame = pd.DataFrame(dataset)
print(data_frame)

> Note
>
> If you want to explicitly indicate that the variable represents a DataFrame, you can include `df` in the variable name, as shown in this example (`people_df`).

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 inestimable para la Ciencia de Datos. En esta guía, se familiarizará con una serie de funciones estadísticas, incluyendo cómo encontrar correlaciones, modos, medianas y valores máximos y mínimos dentro de un conjunto de datos. También aprenderá a manejar los valores que faltan y a manipular valores específicos, así como a eliminarlos.

En esta sección, exploraremos los fundamentos de las estructuras Series y DataFrame. También aprenderá acerca de las distinciones entre estos dos tipos de estructuras.

Los datos pueden obtenerse en varios formatos, como CSV, JSON, SQL, HTML y más. Con Pandas, no está limitado a un único formato - puede trabajar con datos a través de una multitud de tipos de archivo. En este capítulo, nos centraremos específicamente en los formatos CSV y TXT.

Aquí aprenderá a procesar datos sin procesar eliminando la información superflua y gestionando los valores nulos de un conjunto de datos.

Primeros Pasos con Pandas

DataFrame

Solución

DataFrame

Solución