6  Agrupar por categorías

En la Sección 2.3 visualizamos los datos de los cinco primeros pingüinos con la instrucción

penguins.head(5)

Y en la Sección 3.1 calculamos el peso máximo de todos los pingüinos con la orden

penguins["body_mass_g"].max()

Ahora nos planteamos realizar las operaciones anteriores, pero para cada especie de pingüinos (Adelie, Chinstrap y Gentoo), es decir, queremos:

pandas proporciona el método groupby() para resolver este tipo de problemas.

El método groupby() divide una hoja de datos en los grupos o categorías definidos por una variable categórica (en nuestro caso las tres especies dadas por la variable species), de forma que al realizar una operación (como head() o máx()) en la hoja de datos por grupos, obtendremos el resultado de la operación en cada uno de los grupos (en nuestro caso en cada especie).

Ilustración del método groupby() en el manual de pandas

Ejemplo 1: Primeras filas de cada especie

Para ver los datos de los tres primeros pingüinos de cada especie, ejecuta la instrucción siguiente:

penguins.groupby("species").head(3)
species island bill_length_mm bill_depth_mm flipper_length_mm body_mass_g sex
0 Adelie Torgersen 39.1 18.7 181.0 3750.0 MALE
1 Adelie Torgersen 39.5 17.4 186.0 3800.0 FEMALE
2 Adelie Torgersen 40.3 18.0 195.0 3250.0 FEMALE
152 Chinstrap Dream 46.5 17.9 192.0 3500.0 FEMALE
153 Chinstrap Dream 50.0 19.5 196.0 3900.0 MALE
154 Chinstrap Dream 51.3 19.2 193.0 3650.0 MALE
220 Gentoo Biscoe 46.1 13.2 211.0 4500.0 FEMALE
221 Gentoo Biscoe 50.0 16.3 230.0 5700.0 MALE
222 Gentoo Biscoe 48.7 14.1 210.0 4450.0 FEMALE

Observa que en la salida anterior se muestran:

  • las filas de índices \(0\), \(1\) y \(2\) correspondientes a los tres primeros pingüinos de la especie Adelie
  • las filas de índices \(152\), \(153\) y \(154\) correspondientes a los tres primeros pingüinos de la especie Chinstrap
  • y las filasde índices \(220\), \(221\) y \(222\) correspondientes a los tres primeros pingüinos de la especie Gentoo.

Analicemos, paso por paso, lo que ocurre al ejecutar la instrucción penguins.groupby("species").head(3):

  1. penguins.groupby("species") parte la hoja de datos penguins en tres grupos correspondientes a las tres especies. Esta operación devuelve un objeto de un nuevo tipo llamado DataFrameGroupBy:

    type(penguins.groupby("species"))
    pandas.core.groupby.generic.DataFrameGroupBy

    Puedes pensar que después de aplicar groupby() tenemos los datos virtualmente divididos en tres hojas de datos:

    • una hoja de datos con las \(152\) filas de los pingüinos de la especie Adelie
    • otra con las \(68\) filas de los pingüinos de la especie Chinstrap
    • y una tercera con las \(124\) filas de los pingüinos de la especie Gentoo.

  2. Al aplicar head(3) sobre la hoja de datos agrupada creada con penguins.groupby("species"), el efecto es que se aplica head(3) en cada uno de los tres grupos (como si se aplicara en cada una de las tres hojas de datos virtuales que ha creado groupby() a partir de penguins).

    La salida que hemos obtenenido es la combinación de los tres resultados en los tres grupos.

Ejemplo 2: Peso máximo de cada especie

Para obtener el peso máximo de cada especie ejecuta

penguins[["species", "body_mass_g"]].groupby("species").max()
body_mass_g
species
Adelie 4775.0
Chinstrap 4800.0
Gentoo 6300.0

Vemos que:

  • el peso máximo entre los pingüinos de la especie Adelie es de \(4\) kg y \(775\) gramos.
  • el peso máximo entre los pingüinos de la especie Chinstrap es de \(4\) kg y \(800\) gramos.
  • el peso máximo entre los pingüinos de la especie Gentto (y entre todos los pingüinos) es de \(6\) kg y \(300\) gramos.

Analicemos la instrucción anterior paso por paso:

  1. Como nos interesa el peso máximo por especie, primero hemos escrito penguins[["species", "body_mass_g"]], para seleccionar las dos variables asociadas a las características de interés, species y body_mass_g, conforme aprendimos en la Sección 3.2.

  2. Después groupby("species") divide la selección de la hoja de datos del paso anterior en tres grupos para cada especie.

  3. max() aplicada a la hoja de datos por grupos (de tipo DataFrameGroupBy) creada en el paso anterior, calcula el máximo en cada uno de los grupos para cada especie.

    La salida que hemos obtenido es una tabla con los tres pesos máximos.

En las hojas de datos agrupadas por categorías (objetos de tipo DataFrameGroupBy) también funcionan los mecanismos de selección de variables usando corchetes []. Así, una forma equivalente de calcular el peso máximo de cada especie sería:

penguins.groupby("species")["body_mass_g"].max()
species
Adelie       4775.0
Chinstrap    4800.0
Gentoo       6300.0
Name: body_mass_g, dtype: float64

Los pasos seguidos en esta segunda variante serían:

  1. groupby("species") crea los tres grupos o categorías definidos por la variable species.

  2. ["body_mass_g"] selecciona la variable con el peso de los pingüinos en cada grupo.

  3. max() calcula el máximo en cada grupo.

Ejemplo 3: Recuento del número de pingüinos de cada especie

El método value_counts() que usamos en la Sección 4.2 para obtener una tabla de recuentos del número de pingüinos de cada especie es en el fondo la combinación de una operación de agrupación y la aplicación del método count(). De hecho es equivalente a

penguins.groupby("species")["species"].count()
species
Adelie       152
Chinstrap     68
Gentoo       124
Name: species, dtype: int64

Ejercicio 6.1 Combina los métodos groupby() y mean() para calcular el peso medio de los pingüinos que viven en cada isla.

Ejercicio 6.2 Combina los métodos groupby() y median() para calcular la mediana de la longitud del pico de las hembras y de los machos.

Ejercicio 6.3 Combina los métodos groupby() y value_counts() para calcular cuántos pingüinos de cada especie viven en cada isla.

Analiza el resultado para responder a las siguientes preguntas:

  • ¿cuál es la única especie de pingüinos presente en las tres islas?
  • ¿en qué islas viven los pingüinos de la especie Chinstrap?
  • ¿qué especies de pingüinos hay en la isla Biscoe?