**Series** es la estructura de datos más simple en pandas. Ahora vamos a profundizar en una estructura de datos más compleja: **DataFrame**. Se trata de un objeto bidimensional de uso más común.


Piense en un **DataFrame** como algo parecido a una hoja de cálculo, capaz de contener grandes volúmenes de datos. Como una hoja de cálculo, un **DataFrame** viene con un índice y columnas.

Para crear un objeto **DataFrame**, necesitará utilizar un `diccionario` junto con la función `.DataFrame()`. Examinemos cómo se ejecuta la codificación.

import pandas as pd
dataset = {'name' : ['Ann', 'Alex', 'Kevin', 'Kate'], 
          'age' : [35, 12, 24, 45]}

data_frame = pd.DataFrame(dataset)
print(data_frame)

Pandas is an extremely user-friendly library for data analysis. It's also designed to handle large datasets, using data structures like DataFrame and Series. This makes it an invaluable tool for Data Science. In this guide, you'll get acquainted with a range of statistical functions, including how to find correlations, modes, medians, and maximum and minimum values within a dataset. You'll also learn how to handle missing values and manipulate specific values, as well as how to remove them.

En esta sección, exploraremos los fundamentos de las estructuras Series y DataFrame. También aprenderá acerca de las distinciones entre estos dos tipos de estructuras.

Los datos pueden obtenerse en varios formatos, como CSV, JSON, SQL, HTML y más. Con Pandas, no está limitado a un único formato - puede trabajar con datos a través de una multitud de tipos de archivo. En este capítulo, nos centraremos específicamente en los formatos CSV y TXT.

Aquí aprenderá a procesar datos sin procesar eliminando la información superflua y gestionando los valores nulos de un conjunto de datos.

DataFrame

Tarea

Primeros Pasos con Pandas

DataFrame

Tarea