Análisis de datos con pandas: de Excel a Python

pandas es la librería más usada del mundo para analizar datos. Hace lo mismo que Excel (filtrar, ordenar, tablas dinámicas, BUSCARV), pero con millones de filas, de forma automática y repetible. Si hiciste el curso de Excel, vas a reconocer cada concepto; si no, no pasa nada: empezamos desde cero.

Preparación

pip install pandas openpyxl matplotlib

(Dentro de tu entorno virtual, como viste en la lección 10. openpyxl permite leer y escribir Excel; matplotlib, hacer gráficos.) En Google Colab ya vienen instaladas.

Para practicar, este código crea un archivo de ventas de ejemplo:

import pandas as pd

datos = {
    "fecha": ["2026-01-05", "2026-01-12", "2026-01-20", "2026-02-03", "2026-02-15",
              "2026-02-21", "2026-03-02", "2026-03-10", "2026-03-18", "2026-03-25"],
    "region": ["Norte", "Sur", "Norte", "Centro", "Sur", "Norte", "Centro", "Sur", "Norte", None],
    "vendedor": ["Ana", "Luis", "Ana", "Eva", "Luis", "Ana", "Eva", "Luis", "Ana", "Eva"],
    "producto": ["Café", "Té", "Café", "Café", "Té", "Chocolate", "Café", "Té", "Chocolate", "Café"],
    "unidades": [120, 80, 95, 60, 110, 40, 75, 90, 55, 70],
    "precio": [12.5, 9.0, 12.5, 12.5, 9.0, 15.0, 12.5, 9.0, 15.0, 12.5],
}
pd.DataFrame(datos).to_csv("ventas.csv", index=False)

DataFrame y Series

Un DataFrame es una tabla: filas y columnas con nombre, como una hoja de Excel. Cada columna es una Series.

df = pd.read_csv("ventas.csv", parse_dates=["fecha"])
# Para Excel: pd.read_excel("ventas.xlsx", sheet_name="Datos")

print(df.head())        # primeras 5 filas
print(df.shape)         # (10, 6): filas y columnas
df.info()               # columnas, tipos y valores no nulos
print(df.describe())    # estadísticas de las columnas numéricas

Explorar primero es la regla número uno: info() te muestra que la columna region tiene un valor vacío. Lo vamos a resolver enseguida.

Seleccionar y filtrar

df["vendedor"]                         # una columna
df[["vendedor", "unidades"]]           # varias columnas (doble corchete)

df[df["region"] == "Norte"]                                   # filtrar filas
df[(df["region"] == "Norte") & (df["unidades"] > 100)]       # Y
df[(df["producto"] == "Té") | (df["producto"] == "Chocolate")] # O
df[df["producto"].isin(["Té", "Chocolate"])]                  # lo mismo, más corto

df.sort_values("unidades", ascending=False).head(3)           # top 3

Fíjate en que cada condición va entre paréntesis y se combinan con & (y) y | (o). Es la misma lógica que la función FILTRAR de Excel.

Crear columnas y limpiar datos

df["importe"] = df["unidades"] * df["precio"]       # columna calculada
df["mes"] = df["fecha"].dt.to_period("M")           # 2026-01, 2026-02...

df["region"] = df["region"].fillna("Sin región")    # rellenar vacíos
df["vendedor"] = df["vendedor"].str.strip().str.title()   # limpiar textos
df = df.drop_duplicates()                           # quitar filas repetidas

Las operaciones se aplican a toda la columna a la vez, sin bucles: es mucho más rápido y legible que recorrer las filas con for.

Resumir: groupby y tablas dinámicas

df.groupby("vendedor")["importe"].sum().sort_values(ascending=False)

df.groupby("region").agg(
    ventas=("importe", "sum"),
    pedidos=("importe", "count"),
    ticket_medio=("importe", "mean"),
)

pd.pivot_table(df, values="importe", index="producto",
               columns="mes", aggfunc="sum", fill_value=0)

groupby es el SUMAR.SI.CONJUNTO de pandas; pivot_table, la tabla dinámica. El primer resultado muestra que Ana vendió 4.112,50; Eva, 2.562,50; y Luis, 2.520.

Unir tablas: el BUSCARV de pandas

metas = pd.DataFrame({"vendedor": ["Ana", "Luis", "Eva"],
                      "meta": [3000, 3000, 2500]})

resumen = df.groupby("vendedor", as_index=False)["importe"].sum()
resumen = resumen.merge(metas, on="vendedor", how="left")
resumen["cumplimiento"] = (resumen["importe"] / resumen["meta"]).round(3)
print(resumen)

merge une por una columna común. Con how="left" se conservan todas las filas de la tabla izquierda, aunque no encuentren pareja (como un BUSCARV que devuelve vacío). En el ejemplo, Ana cumple su meta al 137%, Eva al 102,5% y Luis se queda en el 84%.

Exportar y graficar

resumen.to_excel("resumen_ventas.xlsx", index=False)    # a Excel
resumen.to_csv("resumen_ventas.csv", index=False)       # a CSV

import matplotlib.pyplot as plt

por_mes = df.groupby("mes")["importe"].sum()
por_mes.plot(kind="bar", title="Ventas por mes")
plt.ylabel("Importe")
plt.tight_layout()
plt.savefig("ventas_por_mes.png")    # o plt.show() para verlo en pantalla

import pandas as pd

df = pd.read_csv("ventas.csv", parse_dates=["fecha"])
df["region"] = df["region"].fillna("Sin región")
df["importe"] = df["unidades"] * df["precio"]
df["mes"] = df["fecha"].dt.to_period("M")

por_region = df.groupby("region")["importe"].sum().sort_values(ascending=False)
por_producto = df.groupby("producto")["importe"].sum().sort_values(ascending=False)
mejor_mes = df.groupby("mes")["importe"].sum().idxmax()
mejor_ticket = df.groupby("vendedor")["importe"].mean().idxmax()

print(f"Mejor mes: {mejor_mes} · Mayor ticket medio: {mejor_ticket}")

with pd.ExcelWriter("informe.xlsx") as writer:
    por_region.to_excel(writer, sheet_name="Region")
    por_producto.to_excel(writer, sheet_name="Producto")

ax = por_region.plot(kind="barh", title="Ventas por región")
ax.figure.tight_layout()
ax.figure.savefig("ventas_region.png")

Resumen

• pd.read_csv / pd.read_excel cargan datos; head, info y describe los exploran.
• Filtra con condiciones entre paréntesis y & / |; crea columnas operando sobre columnas enteras.
• groupby y pivot_table resumen; merge une tablas.
• to_excel, to_csv y plot comunican los resultados.

En la última lección conectarás tus programas con el mundo exterior: APIs web, JSON y automatización de tareas.