Supongamos el siguiente DataFrame:
import pandas as pd
df = pd.DataFrame({'A': [1, 2, 3], 'B': [1.0, 2.0, 3.0],
'C': ['1.1.2010', '2.1.2011', '3.1.2011'],
'D': ['1 days', '>=500', '3 days'],
'E': ['1', '2', '3']})
La siguiente sentencia:
df2 = df[df["D"] == "1 days"]
Filtra correctamente el contenido de la columna, presentándo únicamente las filas que en esta columna tienen "1 days" Quisiera a continuación filtrar las filas que en esta columna tengan ">=500", que es una única fila.
df1 = df[df["D"] == '>=500']
No identifica dicha fila y me devuelve: A B C D E ¿Cual puede ser la razón? Supongo que el problema está en los operadores >=. De ser así, sin cambiar el contendio de estos registros, ¿Cómo podría realizar el filtrado?. Agradeceré vuestras sugerencias y ayuda?
Despues de comprobar que este script ya funciona, en otro notebook, hago lo mismo con el script que me dio lugar a esta consulta y veo sigo con el mismo problema. Lo añado a continuación.
"""Función que usa requests.py para imortar los datos de Internet.
Crea un directorio y deposita en él los datos descargados."""
import os
import requests
CENSUS_DATASET = ("http://archive.ics.uci.edu/ml/machine-learning-databases/adult/adult.data",
"http://archive.ics.uci.edu/ml/machine-learning-databases/adult/adult.names",
"http://archive.ics.uci.edu/ml/machine-learning-databases/adult/adult.test")
def download_data(path='data_1', urls=CENSUS_DATASET):
if not os.path.exists(path):
os.mkdir(path)
for url in urls:
response = requests.get(url)
name = os.path.basename(url)
with open(os.path.join(path, name), 'wb') as f:
f.write(response.content)
download_data()
# Cambio de directorio
os.chdir("G:\Py_machine_learning\data_1")
# Importamos datos a un dataframe
import pandas as pd
names = ['age','workclass','fnlwgt','education','education_num','marital_status',
'occupation','relationship','race','sex','capital_gain','capital_loss',
'hours_per_week','native_country','income']
data = pd.read_csv('adult.data', header=None, names = names)
df = data[data["income"] == "<=50K"]
df
>=
no influyen en nada, forman parte de una cadena y son como cualquier otro carácter, no hay diferencia entre realizar el filtro con"1 day"
o con">=500"
, en ambos casos te limitas a comparar cadenas.