1. Aprende
    2. /
  2. Cursos
    3. /
  3. Python intermedio
  • 1

    Matplotlib

    Gratuito

    La visualización de datos es una habilidad clave para los aspirantes a científicos de datos. Matplotlib facilita la creación de gráficos significativos y reveladores. En este capítulo, aprenderás a construir varios tipos de gráficos y a personalizarlos para que sean más atractivos visualmente e interpretables.

  • 2

    Diccionarios y pandas

    Conoce el diccionario, una alternativa a la lista de Python, y el DataFrame de pandas, el estándar de facto para trabajar con datos tabulares en Python. Practicarás la creación y manipulación de conjuntos de datos, y aprenderás a acceder a la información que necesitas de estas estructuras de datos.

  • 3

    Lógica, flujo de control y filtrado

    La lógica booleana es la base de la toma de decisiones en los programas Python. Conoce los distintos operadores de comparación, cómo combinarlos con operadores booleanos y cómo utilizar los resultados booleanos en estructuras de control. También aprenderás a filtrar datos en DataFrames de pandas utilizando la lógica.

  • 4

    Bucles

    Hay varias técnicas que puedes utilizar para ejecutar repetidamente código Python. Mientras que los bucles son como sentencias if repetidas, el bucle for itera sobre todo tipo de estructuras de datos. Aprende todo sobre ellos en este capítulo.

  • 5

    Caso práctico: Estadísticas Hacker

    Este capítulo te permitirá aplicar todos los conceptos que has aprendido en este curso. Utilizarás estadísticas de hacker para calcular tus posibilidades de ganar una apuesta. ¡Utiliza generadores de números aleatorios, bucles y Matplotlib para obtener una ventaja competitiva!

Initializing

Ejercicio

Añadir columna (2)

Utilizar iterrows() para iterar sobre cada observación de un DataFrame Pandas es fácil de entender, pero no muy eficiente. En cada iteración, estás creando una nueva Serie Pandas.

Si quieres añadir una columna a un Marco de datos llamando a una función de otra columna, el método iterrows() en combinación con un bucle for no es la mejor forma de hacerlo. En su lugar, deberás utilizar apply().

Compara la versión iterrows() con la versión apply() para obtener el mismo resultado en el DataFrame brics:

for lab, row in brics.iterrows() :

    brics.loc[lab, "name_length"] = len(row["country"])




brics["name_length"] = brics["country"].apply(len)

Podemos hacer algo similar para llamar al método upper() en cada nombre de la columna country. Sin embargo, upper() es un método, por lo que necesitaremos un enfoque ligeramente distinto:

Instrucciones

100 XP
  • Sustituye el bucle for por una sola línea que utilice .apply(str.upper). La llamada debe dar el mismo resultado: debe añadirse una columna COUNTRY a cars, que contenga una versión en mayúsculas de los nombres de los países.
  • Como siempre, imprime cars para ver los frutos de tu duro trabajo