1

Estoy realizando un ejercicio para usar el unitest, pero me genera error el código, quisiera que alguien me pueda explicar por qué esta saliendo mal. Quiero indicar que este es el código del curso, yo simplemente lo copie y lo ejecute pero me da error.

> import pandas as pd
>df =d.read_csv("https://raw.githubusercontent.com/kshedden/statswpy/master/NHANES/merged/nhanes_2015_2016.csv")
> df.index = range(1, df.shape[0]+1) 
> pd.Series.mean(df[df.RIDAGEYR > 60].loc[range(0,100), 'BPXSY1']) 


> --------------------------------------------------------------------------
KeyError                                  Traceback (most recent call last)
/tmp/ipykernel_9999/2822762063.py in <module>
----> 1 pd.Series.mean(df[df.RIDAGEYR > 60].loc[range(0,100), 'BPXSY1'])

KeyError: '[0, 2, 4, 5, 7, 8, 9, 10, 11, 12, 13, 16, 17, 18, 19, 20, 21, 24, 25, 26, 27, 28, 29, 33, 35, 37, 38, 39, 41, 42, 43, 47, 48, 49, 51, 52, 53, 55, 56, 58, 59, 60, 62, 63, 64, 65, 66, 67, 68, 69, 70, 71, 73, 74, 76, 77, 80, 83, 85, 86, 87, 88, 89, 91, 92, 93, 94, 95, 96, 97, 98, 99] not in index'

Si alguien puede ayudarme sería de mucha ayuda. Gracias.

1
  • Un primer fallo está en el método 'pd.read_csv'. Te palta la p
    – efueyo
    Commented el 14 mar. 2022 a las 19:06

1 respuesta 1

1

Buen día,

Cuando se aplica el filtro df.RIDAGEYR > 60 al dataframe si únicamente haces esa parte vas a poder ver que el resultado no incluye los índices que te dice en el error. Es decir, el filtro:

df[df.RIDAGEYR > 60]

Devuelve un dataframe en el que únicamente las filas donde RIDAGEYR sea mayor a 60

Entonces al querer seleccionar las filas en el rango range(0,100) devuelve el error diciendo "No puedo encontrar todos los índices que enlisto a continuación"

KeyError: '[0, 2, 4, 5, 7, 8, 9, 10, 11, 12, 13, 16, 17, 18, 19, 20, 21, 24, 25, 26, 27, 28, 29, 33, 35, 37, 38, 39, 41, 42, 43, 47, 48, 49, 51, 52, 53, 55, 56, 58, 59, 60, 62, 63, 64, 65, 66, 67, 68, 69, 70, 71, 73, 74, 76, 77, 80, 83, 85, 86, 87, 88, 89, 91, 92, 93, 94, 95, 96, 97, 98, 99] not in index'

Para solucionarlo puedes cambiar la selección de filas de un rango a un filtro. Es decir, cambiar .loc[range(0,100), 'BPXSY1'] (Rango de 0-100) por el filtro .loc[:100, 'BPXSY1'] (Que en otras palabras dice, dame lo que tengas desde el inicio hasta la fila 100)

Si lo agregamos al filtro anterior vamos a tener esto

df[df.RIDAGEYR > 60].loc[:100, 'BPXSY1']

Que devuelve esto

1     128.0
3     138.0
6     116.0
14    124.0
15    132.0
22    148.0
23    140.0
30    122.0
31    146.0
32    160.0
34    120.0
36    150.0
40    124.0
44    158.0
45    144.0
46    168.0
50    134.0
54    146.0
57    196.0
61    132.0
72    138.0
75    134.0
78    164.0
79    106.0
81    150.0
82    114.0
84    142.0
90    134.0
Name: BPXSY1, dtype: float64

Como puedes ver, no todas las filas de los primeros 100 índices cumplen con el filtro df.RIDAGEYR > 60 y por eso se muestran únicamente las filas que sí lo cumplan

Por último obtenemos el promedio

pd.Series.mean(df[df.RIDAGEYR > 60].loc[:100, 'BPXSY1'])

Y el resultado

139.57142857142858

Edición: si lo que te interesa son las primeras n filas puedes utilizar iloc como lo pusiste en tus comentarios

pd.Series.mean(df[df.RIDAGEYR > 60].iloc[:100]['BPXSY1'])

Esto devuelve el promedio de las primeras 100 filas del filtro deseado

136.29166666666666
6
  • Gracias, muchas gracias por su ayuda, no habia entendido porque pasaba eso, quisiera saber si eso ya no se puede hacer por rangos, es que ese código es de un curso, y mi pregunta es si esa forma de hacerlo cambio y ya no debe hacerse así. Gracias. Commented el 15 mar. 2022 a las 2:29
  • La cosa es que según el ejercicio el range(0,100) lo que va a hacer es que me va a mostrar en ese caso las 100 columnas que cumplan la indicación de que la media sea mayor que 60, entonces, no necesariamente debe ser de la fila 0, a 100, sino puede ser diferentes filas, por ejemplo, si aplicaramos el metodo .iloc sería asi: df[df.RIDAGEYR > 60].iloc[range(0,5), :] y me da 5 filas, pero no necesariamente las primeras 5, como hago entonces para hacer lo mismo con loc. Commented el 15 mar. 2022 a las 3:25
  • Buen día, loc devuelve elementos en base al nombre de la fila (Serían los índices) o columna, no sería posible hacerlo directamente con range(). ¿Sería posible que en el documento que tienes en realidad sea iloc pero tal vez la i no se vea claramente? Commented el 15 mar. 2022 a las 8:47
  • @OscarNavarrete, agregué en la respuesta el ejemplo con iloc para que esté completa y otros usuarios también puedan ver la diferencia Commented el 15 mar. 2022 a las 8:52
  • Esta es la respuesta del ejercicio utilizando .loc -> pd.Series.mean(df[df.RIDAGEYR > 60].loc[range(0,100), 'BPXSY1']) Esta es la respuesta utilizando .iloc -> print(pd.Series.mean(df[df.RIDAGEYR > 60].iloc[range(0,100), 16])) Commented el 15 mar. 2022 a las 19:08

Tu Respuesta

By clicking “Publica tu respuesta”, you agree to our terms of service and acknowledge you have read our privacy policy.

¿No es la respuesta que buscas? Examina otras preguntas con la etiqueta o formula tu propia pregunta.