¿Qué define el parámetro columns en pd.pivot_table()?
Respuesta: La columna cuyos valores se usarán para crear las nuevas columnas de la tabla pivoteada.
Explicación: Cada valor único en esta columna se convertirá en un nuevo encabezado de columna.
¿Qué resultado se obtiene al usar .dt.is_leap_year?
Respuesta: Un valor booleano (True o False) que indica si el año es bisiesto.
Explicación: Esta propiedad del accesor .dt verifica si el año de cada fecha en la Series es un año bisiesto.
¿Qué información proporciona .dt.day_of_year?
Respuesta: El día del año (un número entre 1 y 366).
Explicación: Esta propiedad del accesor .dt calcula y devuelve el número ordinal del día dentro del año para cada fecha.
¿Para qué sirve fill_value en pd.pivot_table()?
Respuesta: Para reemplazar los valores NaN (nulos) que resulten en la tabla pivoteada.
Explicación: Después de pivotear, algunas celdas pueden quedar vacías (NaN). fill_value permite rellenarlas con un valor específico, como 0 o una cadena vacía.
¿Cuál es la función principal de pd.to_datetime()?
El texto indica que pd.to_datetime() es la función principal utilizada en Pandas para convertir un valor escalar o una Series completa al tipo de dato datetime.
¿Cuál es el primer paso en el flujo típico de análisis mencionado?
Respuesta: Usar melt() para normalizar datos.
Explicación: Se transforma la tabla de un formato ancho a uno largo para facilitar las operaciones posteriores.
¿Cuál es la función del parámetro id_vars en pd.melt()?
Las columnas listadas en id_vars no serán ‘derretidas’ y permanecerán como columnas en el DataFrame resultante.
¿Cuál es el propósito del método .dt.strftime()?
Respuesta: Formatear las fechas como texto (strings) según un formato específico.
Explicación: Este método permite convertir objetos datetime a cadenas de texto personalizadas, por ejemplo, para cambiar ‘2024-03-12’ a ‘12 de Marzo de 2024’.
¿Cuál es el tercer paso en el flujo típico de análisis mencionado?
Respuesta: Usar pivot() para reconstruir en formato tabla o de reporte.
Explicación: Después del análisis, pivot() permite volver a presentar los datos en un formato ancho, que suele ser más legible para los reportes.
En el tip para limpiar encabezados de pivot_table, ¿qué hace reset_index()?
Respuesta: Pasa la columna del índice (en el ejemplo, ‘Product’) al encabezado principal, convirtiéndola en una columna regular.
Explicación: Esto facilita el manejo posterior del DataFrame, ya que el índice se convierte en una columna de datos.
¿Qué es pd.Grouper() y para qué se usa?
Respuesta: Es una clase que se usa dentro de groupby() para realizar agrupaciones por frecuencia temporal.
Explicación: pd.Grouper permite especificar una columna de fecha (key) y una frecuencia de tiempo (freq) como ‘Q’ (trimestre), ‘M’ (mes) o ‘Y’ (año) para agrupar los datos.
¿Cuál es el alias de frecuencia (freq) para agrupar por trimestre usando pd.Grouper?
Respuesta: ‘Q’.
Explicación: freq=’Q’ le indica a pd.Grouper que debe agrupar las fechas en bloques trimestrales.
¿Qué transformación realiza melt() en un DataFrame?
Respuesta: Convierte un DataFrame ancho en uno largo.
Explicación: La función toma un DataFrame con muchas columnas de valores y las transforma para que esas columnas pasen a ser filas.
¿Qué función es la opuesta a pivot()?
Respuesta: melt().
Explicación: El texto indica explícitamente que melt() es el opuesto de pivot, ya que transforma los datos de un formato ancho a uno largo, mientras que pivot hace lo contrario.
¿Para qué sirve el parámetro value_vars en pd.melt()?
Respuesta: Para indicar las columnas que se derretirán en dos nuevas columnas (variable y valor).
Explicación: Estas son las columnas que se transformarán de un formato ancho a uno largo.
¿Qué ocurre si el parámetro value_vars no se especifica en pd.melt()?
Respuesta: Se usarán todas las columnas excepto las especificadas en id_vars.
Explicación: Este es el comportamiento por defecto de la función cuando no se le indica explícitamente qué columnas derretir.
¿Cómo se pueden aplicar múltiples funciones de agregación a una agrupación?
Respuesta: Usando el método .agg() con una lista de funciones, por ejemplo: .agg([‘sum’,’mean’]).
Explicación: El método .agg() permite aplicar varias funciones de agregación a la vez, devolviendo un DataFrame con los resultados de cada función como una columna separada.
¿Para qué se utiliza reset_index(drop=True)?
Respuesta: Para resetear el índice del DataFrame y descartar el índice antiguo sin añadirlo como una nueva columna.
Explicación: Mientras que reset_index() convierte el índice actual en una columna, la opción drop=True lo elimina por completo.
¿Qué ventajas tiene pd.Grouper() frente a agrupar con .dt?
Respuesta: pd.Grouper() ofrece una forma más directa y legible para agrupar por frecuencias de tiempo complejas (como trimestres, semanas, etc.) directamente dentro de la sintaxis de groupby.
Explicación: Mientras que con .dt se pueden extraer componentes como año o mes, pd.Grouper está diseñado específicamente para la agrupación por intervalos de tiempo (freq), lo que simplifica el código y lo hace más explícito.
¿Para qué sirve el accesor .dt en una Series de Pandas?
Respuesta: Permite acceder a propiedades y métodos de fechas de la Series.
Explicación: Una vez que una columna está en formato datetime, el accesor .dt se utiliza para extraer componentes de la fecha, como el año, mes, día, trimestre, etc.
¿Cuándo se debe usar pd.pivot_table() en lugar de pd.pivot()?
Respuesta: Cuando hay filas duplicadas que necesitan ser agregadas.
Explicación: A diferencia de pivot(), pivot_table() puede manejar datos duplicados aplicando una función de agregación (como suma o promedio) para consolidar los valores.
¿Cuál es la relación conceptual entre melt() y pivot()?
Respuesta: melt() pasa de ancho a largo, mientras que pivot() pasa de largo a ancho.
Explicación: Son operaciones inversas que permiten reestructurar la forma de un DataFrame para diferentes propósitos de análisis o reporte.
¿Qué operación realiza pd.pivot()?
Respuesta: Transforma un DataFrame de formato largo a ancho.
Explicación: pd.pivot() reorganiza los datos creando nuevas columnas a partir de los valores de una columna existente.
¿Cuál es la función de agregación (aggfunc) por defecto en pd.pivot_table()?
Respuesta: mean (promedio).
Explicación: Si no se especifica otra función, pivot_table calculará el promedio de los valores para cada celda.
