Un dataframe (marco de datos, cuadro de datos o matriz de datos) es una estructura tabular de datos, es decir, una tabla de datos. En general sus datos pertenecen a filas que son observaciones y columnas que son variables de varios tipos. Los términos "data frame" y "dataframe" se utilizan en varios lenguajes (R, Apache Spark, deedle, Maple, las bibliotecas como pandas en Python o DataFrames en Julia), y "tabla" es el término utilizado en MATLAB y SQL.
Un dataframe (marco de datos, cuadro de datos o matriz de datos) es una estructura tabular de datos, es decir, una tabla de datos. En general sus datos pertenecen a filas que son observaciones y columnas que son variables de varios tipos. Los términos data frame y dataframe se utilizan en varios lenguajes (R, Apache Spark, deedle, Maple, las bibliotecas como pandas en Python y DataFrames en Julia), y tabla es el término utilizado en MATLAB y SQL.
El dataframe es usado en diferentes lenguajes, a continuación se detallarán cada uno de ellos para su orientación de uso.
data.frame en R
La clase de objetos data.frame
es una tabla de datos básica en el lenguaje R, junto con las matrices. A diferencia de las matrices, cada columna puede tener un tipo de datos diferente. En términos de implementación, un dataframe es una lista de vectores que son columnas con la misma longitud.
Ejemplo de uso de la función data.frame
:
data.frame(
x = letters[1:5],
y = 1:5,
z = (1:5) > 3
)
# x y z
# 1 a 1 FALSE
# 2 b 2 FALSE
# 3 c 3 FALSE
# 4 d 4 TRUE
# 5 e 5 TRUE
Las funciones relacionadas incluyen is.data.frame
, que comprueba si un objeto es un data.frame
, y un as.data.frame
, que coacciona muchas otras estructuras de datos para que se hayan ampliado o modificado para crear nuevas estructuras de datos mediante varios paquetes de r, incluidos datatable y tibble.
Para más información, consulte 6.3 Hojas de datos (Data Frames) en el manual Introducción a R de CRAN, en la página 35 del PDF, es decir, la página enumerada 29.
DataFrame en la biblioteca pandas de Python
La biblioteca de pandas en Python es el framework (marco de trabajo) para el tratamiento canónico de datos tabulares en la pila SciPy, y el DataFrame es su objeto de datos bidimensional. Es básicamente una matriz rectangular como una numpy.ndarray
de dos dimensiones, pero con índices asociados en cada eje que se pueden usar para la alineación. Como en R, desde una perspectiva de implementación, las columnas tienen cierta prioridad sobre las filas: El DataFrame se asemeja a un diccionario de nombres de columna como claves y series (estructuras de datos unidimensionales) como valores.
Luego de importar numpy
y pandas bajo los alias habituales (import numpy as np
, import pandas as pd
), podemos construir un DataFrame de varias formas, como pasar un diccionario de nombres y valores de columna:
>>> pd.DataFrame({"x": list("abcde"), "y": range(1,6), "z": np.arange(1,6) > 3})
x y z
0 a 1 False
1 b 2 False
2 c 3 False
3 d 4 True
4 e 5 True
DataFrame en Apache Spark
Un DataFrame de Spark es una colección distribuida de datos organizados en columnas que cada una tiene nombre. Es conceptualmente equivalente a una tabla en una base de datos relacional o un marco de datos en R o Python, pero con optimizaciones enriquecidas bajo la cubierta. Los DataFrames pueden construirse a partir de una amplia gama de fuentes, como archivos de datos estructurados, tablas en Hive (colmena), bases de datos externas o RDD existentes (Resilient Distributed Datasets o Conjuntos de Datos Distribuidos Resistentes).
Fuente: Spark SQL - DataFrames and Datasets Guide
DataFrame en Maple
Un DataFrame es una de las estructuras básicas en Maple. Los Data frames, son una lista de variables conocidas como DataSeries, que se muestran en una cuadrícula rectangular. Cada columna (variable) en un DataFrame tiene la misma longitud, pero cada variable puede tener diferente tipo, como un entero, un número de coma flotante, una cadena, un nombre, un booleano y otros.
Cuando se muestran, los Data frames parecen matrices que son vistas como una cuadrícula rectangular, pero una diferencia clave es que la primera fila corresponde a los nombres de las columnas (variables) y la primera columna corresponde a los nombres de las filas (individuales). Estas filas y columnas, se tratan como metainformación del encabezado y no forman parte de los datos. Además, puede accederse a los datos almacenados en un DataFrame utilizando estos nombres de encabezado, así como por el índice numerado estándar.