Personaliza tu importación de pandas

El paquete pandas es excelente para tratar muchos de los problemas que te plantearás encontrar al importar datos como científico de datos, como comentarios que se producen en archivos planos, líneas vacías y valores que faltan (NA o NaN). Para terminar este capítulo, vas a importar un archivo corrupto copia del conjunto de datos de Titanic titanic_corrupt.txt, que contiene comentarios después del carácter '#', y está delimitado por tabulaciones.

Los argumentos clave para pd.read_csv() incluyen:

sep establece el delimitador esperado.
- Puedes utilizar ',' para delimitado por comas.
- Puedes utilizar '\t' para delimitar por tabulaciones.
comment toma los caracteres que aparecen después de los comentarios en el archivo, indicando que se ignore cualquier texto que empiece por estos caracteres.
na_values toma una lista de cadenas para identificarlas como NA/NaN. Por defecto, algunos valores ya se reconocen como NA/NaN. Si proporcionas este argumento, obtendrás valores adicionales.

Este ejercicio forma parte del curso

Introducción a la importación de datos en Python

Ver curso

Instrucciones de ejercicio

Completa los argumentos de pd.read_csv() para importar titanic_corrupt.txt correctamente utilizando pandas:
- sep establece el delimitador a utilizar, y funciona de la misma manera que el argumento delimiter de np.loadtxt(). Ten en cuenta que el archivo que importas está delimitado por tabulaciones.
- comment toma los caracteres que siguen a los comentarios en el archivo, que en este caso es '#'.
- na_values toma una lista de cadenas que deben tratarse como NA/NaN, en este caso la cadena 'Nothing'.
Ejecuta el resto del código para imprimir la cabecera del DataFrame resultante y trazar el histograma del 'Age' de pasajeros a bordo del Titanic.

Ejercicio interactivo práctico

Pruebe este ejercicio completando este código de muestra.

# Import matplotlib.pyplot as plt
import matplotlib.pyplot as plt

# Assign filename: file
file = 'titanic_corrupt.txt'

# Import file: data
data = pd.read_csv(file, sep='____', comment='____', na_values=[____])

# Print the head of the DataFrame
print(data.head())

# Plot 'Age' variable in a histogram
pd.DataFrame.hist(data[['Age']])
plt.xlabel('Age (years)')
plt.ylabel('count')
plt.show()

Editar y ejecutar código