Personaliza Tus Jupyter Notebooks

Magdalena Konkiewicz
Apr 23, 2021

Contents Outline

Personaliza Tus Jupyter Notebooks

Apr 23, 2021 5 minutes read

Introducción

Jupyter Notebook es un gran entorno de programación y a menudo la opción más popular para los científicos de datos o analistas de datos que están codificando en python. Desafortunadamente, su configuración por defecto no permite el nivel de personalización que tienes con entornos de programación estándar como PyCharm o herramientas similares.

Los themes (de ahora en adelante temas)  de Jupyter Notebooks están tratando de disminuir esta brecha y te permiten hacer el notebook un poco más bonito y también más funcional usando los temas. En este artículo, te guiaré a través del proceso de instalación de los temas de Jupyter Notebook y te mostraré algunas de sus características más importantes.


Instalación

Los temas de Jupyter Notebook son una biblioteca de código abierto y se pueden instalar con pip install. Sólo tienes que escribir el siguiente código en una línea de comandos:

pip install jupyterthemes

Esto debería activar la instalación de la última versión. Una vez hecho esto, deberías poder cambiar de tema, ajustar las fuentes utilizadas en los cuadernos o personalizar el estilo de los gráficos. En las próximas secciones veremos estas características en detalle.


Cambio de temas

Después de la instalación, puedes lanzar Jupyter Notebooks de forma normal e inspeccionar los temas desde el propio notebook.

Para listar todos los temas posibles, puedes utilizar el siguiente código:


!jt -l


Como puede ver, actualmente hay nueve temas disponibles. Para cambiar de tema puede utilizar este comando:

!jt -t <theme_name>

Elijamos el tema de onedork. 


!jt -t onedork

Verás que el tema no cambia inmediatamente. Algunas personas informan que pueden recargar la página y ver el efecto después de eso. Desde mi experiencia personal, tengo que reiniciar Jupyter Notebook para que el tema cambie. Basta con detener el notebook y volver a iniciarlo. Así es como debería verse con el tema onedork cuando se carga.



Ahora, puedes jugar con diferentes temas y elegir tu favorito. 
 
Lo que notarás es que algunas partes de la interfaz gráfica de usuario estándar no son visibles por defecto en la configuración del tema. Me refiero a la parte que se muestra a continuación.


Para cambiar el tema pero manteniendo el aspecto estándar de la GUI, puede utilizar la siguiente variación del código.

!jt -t <theme_name> -T -N -kl

Con el tema de onedork, a estos les gustaría eso. 

!jt -t onedork -T -N -kl

Al reiniciar Jupyter Notebooks debería obtener un resultado similar al de la captura de pantalla siguiente.


Para restablecer la configuración predeterminada del notebook, puede utilizar este código.

!jt -r

Ten en cuenta que he mostrado los comandos ejecutándose en el propio Jupyter, pero puedes utilizarlos sin el signo de exclamación también en la ventana de la terminal.


Configurar el estilo de los gráficos

Una vez que estés utilizando los temas te darás cuenta de que los gráficos creados con la librería Matplotlib no tienen el mejor aspecto. Por ejemplo, este es un código simple para crear un gráfico de líneas.


import matplotlib.pyplot as plt
%matplotlib inline
bp_x = np.linspace(0, 2*np.pi, num=40, endpoint=True)
bp_y = np.sin(bp_x)
# Make the plot
plt.plot(bp_x, bp_y, linewidth=3, linestyle="--",
         color="blue", label=r"Legend label $\sin(x)$")
plt.xlabel(r"Description of $x$ coordinate (units)")
plt.ylabel(r"Description of $y$ coordinate (units)")
plt.title(r"Title here (remove for papers)")
plt.xlim(0, 2*np.pi)
plt.ylim(-1.1, 1.1)
plt.legend(loc="lower left")
plt.show()

Y esta es la captura de pantalla de la trama que se crea en el cuaderno como se ve usando el tema onedork sin personalización.


Esto definitivamente no coincide con el tema que has elegido. Resulta que para personalizar Matplotlib para que coincida con el tema tendrá que añadir dos líneas de código adicionales en la parte superior de su notebook.

from jupyterthemes import jtplot
jtplot.style()

Una vez que ejecute el mismo código del gráfico (con las dos líneas de código de arriba añadidas en la parte superior del cuaderno) debería ver que el gráfico ahora coincide con el estilo actual del tema.


¡Eso se ve mucho mejor! 
 
De hecho, puedes cambiar el estilo del gráfico para que coincida con cualquier tema que quieras.

from jupyterthemes import jtplot
jtplot.style(<theme_name>)

Si no se da un parámetro de tema para la función de estilo, se utilizará el tema que esté cargado actualmente en el notebook.
 
Tenga en cuenta que, a diferencia de la configuración del tema, no es necesario reiniciar el notebook al cambiar el estilo gráfico de Matplotlib.
 
Cambio de fuentes

Los temas de Jupyter Notebook no sólo permiten cambiar los temas, sino que también permiten una personalización adicional de las fuentes utilizadas en el cuaderno.
 
Puedes cambiar las fuentes al cargar un tema con el comando jt y añadir algunos parámetros adicionales. Puedes personalizar...

- la fuente utilizada para el código (-f) y su tamaño (-fs),
- la fuente utilizada para el cuaderno (-nf) y su tamaño (-nfs) ,
- la fuente utilizada para el texto/marcado (-ft) y su tamaño (-fts).
 
Resumen

En este artículo, has aprendido a personalizar tu Jupyter Notebook estándar con los temas de Jupyter Notebook. Hemos repasado los detalles de la instalación de la biblioteca y hemos configurado los temas, incluyendo la personalización de los gráficos y las fuentes. 
 
Ahora deberías poder probarlo tú mismo. 
 
¡Feliz personalización! 


Publicado originalmente en aboutdatablog.com:Customize your Jupyter Notebooks with Jupyter Notebooks Themes, on January 20, 2021.

Related Posts

Analizando conversión de clientes con Machine Learning y árboles de decisión

Científicos de Datos Sin Conocimientos de Ingeniería de Datos Se Enfrentarán A La Cruda Realidad

4 Funciones de Python Pandas Imprescindibles Para el Análisis de Series Temporales

Categories

Data Science Machine Learning Deep learning Flask Deployment Big Data Business Python SQL Programming Libraries Jupyter Numpy News Pandas Matplotlib Visualization

Join Competition

Keyword Recency Prediction

Prediction of Online Shoppers Purchasing Intention

Most Related Articles

Deployment
Libraries
Científicos de Datos Sin Conocimientos de Ingeniería de Datos Se Enfrentarán A La Cruda Realidad

OPINION.Probablemente haya leído algún artículo sobre la diferencia entre un científico de datos y un ingeniero de datos. Siempre he pensado que la distinción es clara. Los ingenieros de datos preparan los datos para su uso y luego los científicos de datos trabajan con esos datos.Sin embargo, mi opinión sobre esta distinción ha cambiado drásticamente después de empezar a trabajar como científico de datos.Photo by Ben White on UnsplashTodo en la ciencia de datos comienza con los datos. Tu modelo de aprendizaje automático es tan bueno como los datos que se introducen en él. Si entra basura, sale basura. Un científico de datos no puede hacer magia para crear un producto valioso sin los datos adecuados.Los datos adecuados no siempre están disponibles para los científicos de datos. En la mayoría de los casos, será responsabilidad del científico de datos convertir los datos en bruto a un formato adecuado.A menos que trabaje en una gran empresa tecnológica que tenga equipos separados de ingenieros de datos y científicos de datos, debe poseer la capacidad y las habilidades para manejar algunas tareas de ingeniería de datos. Estas tareas cubren una amplia gama de operaciones y me explayaré sobre ello en la parte restante del artículo.En cualquier caso, ¿cuál es la diferencia?Me gustaría exponer mi opinión sobre la relación entre el trabajo de un ingeniero de datos y un científico de datos.Un ingeniero de datos es un ingeniero de datos. Un científico de datos debería ser tanto un científico de datos como un ingeniero de datos.Puede parecer una afirmación discutible. Sin embargo, me gustaría destacar que mi opinión era diferente antes de empezar a trabajar como científico de datos. Solía pensar en los ingenieros de datos y en los científicos de datos como entidades separadas.Por ejemplo, los ingenieros de datos realizan un conjunto de operaciones conocido como ETL (extracción, transformación y carga). Abarca los procedimientos para recopilar datos de una o más fuentes, aplicar algunas transformaciones y luego cargarlos en una fuente diferente.Definitivamente, no me sorprendería que se esperara que un científico de datos realizara operaciones ETL. La ciencia de los datos sigue evolucionando y la mayoría de las empresas no tienen claramente separadas las funciones de ingeniero de datos y de científico de datos. Como resultado, un científico de datos debería ser capaz de realizar algunas tareas de ingeniería de datos.Si espera trabajar únicamente en la ejecución de algoritmos de aprendizaje automático con datos listos para su uso, se enfrentará a la cruda realidad poco después de empezar a trabajar como científico de datos.Es posible que tengas que escribir algunos procedimientos almacenados en SQL para preprocesar los datos del cliente. También es posible que recibas los datos del cliente de varias fuentes diferentes. Su trabajo consistirá en extraerlos y combinarlos. A continuación, tendrá que cargarlos en una única fuente. Para escribir procedimientos almacenados eficientes, se necesitan amplios conocimientos de SQL.La parte de transformación de los procedimientos ETL implica muchos pasos de limpieza y manipulación de datos. SQL puede no ser la mejor opción si se trabaja con datos a gran escala. La informática distribuida es una mejor alternativa en estos casos. Por lo tanto, un científico de datos también debería estar familiarizado con la computación distribuida.Su mejor amigo en la computación distribuida puede ser Spark. Es un motor de análisis utilizado para el procesamiento de datos a gran escala. Podemos distribuir tanto los datos como los cálculos en clústeres para conseguir un aumento sustancial del rendimiento.Si estás familiarizado con Python y SQL, no te será difícil acostumbrarte a Spark. Puedes utilizar las características de Spark con PySpark, que es una API de Python para Spark.Lea También: Una Guía Para Principiantes - Apache SparkCuando se trata de trabajar con clusters, el entorno óptimo es la nube. Hay varios proveedores de la nube, pero AWS, Azure y Google Cloud Platform (GCP) están a la cabeza.Aunque el código de PySpark es el mismo para todos los proveedores de la nube, la forma de configurar el entorno y crear clusters cambia entre ellos. Permiten crear clusters utilizando tanto scripts como la interfaz de usuario.La computación distribuida en clústeres es un mundo completamente diferente. No se parece en nada a hacer análisis en tu ordenador. Tiene una dinámica muy diferente. Evaluar el rendimiento del clúster y elegir el número óptimo de trabajadores para un clúster serán sus preocupaciones predominantes.Lea También: * El Data Scientist "Full Stack"* Todo Lo Que un Científico de Datos Debe Saber Sobre la Gestión de Datos (Pero Tiene Miedo de Preguntar)

Libraries
Pandas
4 Funciones de Python Pandas Imprescindibles Para el Análisis de Series Temporales

Los datos de series temporales consisten en puntos de datos unidos a marcas de tiempo secuenciales. Las ventas diarias, los valores de temperatura por hora y las mediciones de segundo nivel en un proceso químico son algunos ejemplos de datos de series temporales. Los datos de series temporales tienen características diferentes a los datos tabulares ordinarios. Por ello, el análisis de series temporales tiene su propia dinámica y puede considerarse un campo aparte. Existen libros de más de 500 páginas que tratan en profundidad los conceptos y técnicas del análisis de series temporales. Pandas fue creado por Wes Mckinney para proporcionar una herramienta eficiente y flexible para trabajar con datos financieros que son una especie de serie temporal. En este artículo, repasaremos 4 funciones de Pandas que se pueden utilizar para el análisis de series temporales. Necesitamos datos para los ejemplos. Empecemos por crear nuestros propios datos de series temporales.import numpy as np import pandas as pd df = pd.DataFrame({ "date": pd.date_range(start="2020-05-01", periods=100, freq="D"), "temperature": np.random.randint(18, 30, size=100) + np.random.random(100).round(1) }) df.head()(image by author)Hemos creado un marco de datos que contiene mediciones de temperatura durante un periodo de 100 días. La función date_range de Pandas puede utilizarse para generar un rango de fechas con una frecuencia personalizada. Los valores de temperatura se generan de forma aleatoria utilizando las funciones Numpy. Ahora podemos empezar con las funciones.1. ShiftEs una operación habitual para desplazar los datos de las series temporales. Podemos necesitar hacer una comparación entre características retardadas o principales. En nuestro marco de datos, podemos crear una nueva característica que contenga la temperatura del día anterior.df["temperature_lag_1"] = df["temperature"].shift(1) df.head()(image by author)El valor escalar que se pasa a la función de desplazamiento indica el número de períodos a desplazar. La primera fila de la nueva columna se rellena con NaN porque no hay ningún valor anterior para la primera fila. El parámetro fill_value puede utilizarse para rellenar los valores que faltan con un escalar. Sustituyamos el NaN por el valor medio de la columna de temperatura.df["temperature_lag_1"] = df["temperature"]\ .shift(1, fill_value = df.temperature.mean()) df.head()(image by author)Si le interesan los valores futuros, puede desplazarse hacia atrás pasando valores negativos a la función de desplazamiento. Por ejemplo, "-1" lleva la temperatura al día siguiente.2. ResampleOtra operación habitual que se realiza con los datos de las series temporales es el remuestreo. Consiste en cambiar la frecuencia de los periodos. Por ejemplo, podemos estar interesados en los datos de temperatura semanales en lugar de las mediciones diarias. La función de remuestreo crea grupos (o bins) de un interno especificado. A continuación, podemos aplicar funciones de agregación a los grupos para calcular el valor basado en la frecuencia remuestreada. Calculemos las temperaturas medias semanales. El primer paso es remuestrear los datos a nivel de semana. A continuación, aplicaremos la función de media para calcular el promedio.df_weekly = df.resample("W", on="date").mean() df_weekly.head()(image by author)El primer parámetro especifica la frecuencia de remuestreo. "W" significa semana, sorprendentemente. Si el marco de datos no tiene un índice fecha-hora, la columna que contiene la información relacionada con la fecha o la hora debe pasarse al parámetro on.3. AsfreqLa función asfreq proporciona una técnica diferente para el remuestreo. Devuelve el valor al final del intervalo especificado. Por ejemplo, asfreq("W")devuelve el valor del último día de cada semana. Para utilizar la función asfreq, debemos establecer la columna de la fecha como índice del marco de datos.df.set_index("date").asfreq("W").head()(image by author)Como estamos obteniendo un valor en un día concreto, no es necesario aplicar una función de agregación.4. RollingLa función rolling puede utilizarse para calcular la media móvil, que es una operación muy común para los datos de las series temporales. Crea una ventana de un tamaño determinado. A continuación, podemos utilizar esta ventana para realizar cálculos a medida que se desplaza por los puntos de datos. La figura siguiente explica el concepto de balanceo.(image by author)Vamos a crear una ventana móvil de 3 y utilizarla para calcular la media móvil.df.set_index("date").rolling(3).mean().head()(image by author)Para cualquier día, los valores muestran la media del día y de los 2 días anteriores. Los valores de los 3 primeros días son 18,9, 23,8 y 19,9. Por tanto, la media móvil del tercer día es la media de estos valores, que es de 20,7. Los 2 primeros valores son NaN porque no tienen los 2 valores anteriores. También podemos utilizar esta ventana móvil para cubrir el día anterior y el siguiente para cualquier día. Se puede hacer estableciendo el parámetro de centro como verdadero.df.set_index("date").rolling(3, center=True).mean().head()(image by author)Los valores de los 3 primeros días son 18,9, 23,8 y 19,9. Así, la media móvil del segundo día es la media de estos 3 valores. En esta configuración, sólo el primer valor es NaN porque sólo necesitamos 1 valor anterior.ConclusiónHemos cubierto 4 funciones de Pandas que se utilizan habitualmente en el análisis de series temporales. El análisis predictivo es una parte esencial de la ciencia de datos. El análisis de series temporales es el núcleo de muchos problemas que el análisis predictivo pretende resolver. Por lo tanto, si usted planea trabajar en el análisis predictivo, definitivamente debe aprender a manejar los datos de series temporales. Gracias por leer este artículo. Por favor, hazme saber si tienes algún comentario.Soner Yıldırım

Machine Learning
Libraries
Analizando conversión de clientes con Machine Learning y árboles de decisión

Analizando conversión de clientes con Machine Learning y árboles de decisión

Libraries
Pandas
16 Métodos Infravalorados de Pandas y Cuándo Utilizarlos

En este artículo, vamos a explorar algunos métodos de pandas menos conocidos pero muy útiles para manipular objetos de tipo Series. Algunos de estos métodos están relacionados sólo con Series, los otros - tanto con Series como con DataFrames, teniendo, sin embargo, características específicas cuando se utilizan con ambos tipos de estructura.1. is_uniqueComo su nombre indica, este método comprueba si todos los valores de una serie son únicos:import pandas as pd print(pd.Series([1, 2, 3, 4]).is_unique) print(pd.Series([1, 2, 3, 1]).is_unique) Output: True False 2 &amp; 3. is_monotonic y is_monotonic_decreasingCon estos 2 métodos, podemos comprobar si los valores de una Serie están en orden ascendente/descendente:print(pd.Series([1, 2, 3, 8]).is_monotonic) print(pd.Series([1, 2, 3, 1]).is_monotonic) print(pd.Series([9, 8, 4, 0]).is_monotonic_decreasing) Output: True False TrueAmbos métodos funcionan también para una Serie con valores de cadena. En este caso, Python utiliza un ordenamiento lexicográfico bajo el capó, comparando dos cadenas posteriores carácter por carácter. No es lo mismo que un ordenamiento alfabético, y de hecho, el ejemplo con los datos numéricos de arriba es un caso particular de dicho ordenamiento. Como dice la documentación de PythonEl ordenamiento lexicográfico para cadenas utiliza el número de punto de código Unicode para ordenar los caracteres individuales.Leer También: 4 Funciones de Python Pandas Imprescindibles Para el Análisis de Series TemporalesEn la práctica, significa principalmente que también se tienen en cuenta las mayúsculas y minúsculas y los símbolos especiales:print(pd.Series(['fox', 'koala', 'panda']).is_monotonic) print(pd.Series(['FOX', 'Fox', 'fox']).is_monotonic) print(pd.Series(['*', '&amp;', '_']).is_monotonic) Output: True True FalseUna curiosa excepción ocurre cuando todos los valores de una Serie son iguales. En este caso, ambos métodos devuelven True:print(pd.Series([1, 1, 1, 1, 1]).is_monotonic) print(pd.Series(['fish', 'fish']).is_monotonic_decreasing) Output: True True 4. hasnansEste método comprueba si una Serie contiene valores NaN:import numpy as np print(pd.Series([1, 2, 3, np.nan]).hasnans) print(pd.Series([1, 2, 3, 10, 20]).hasnans) Output: True False 5. emptyA veces, podemos querer saber si una Serie está completamente vacía, sin contener ni siquiera valores NaN:print(pd.Series().empty) print(pd.Series(np.nan).empty) Output: True FalseUna Serie puede quedar vacía después de algunas manipulaciones con ella, por ejemplo, el filtrado:s = pd.Series([1, 2, 3]) s[s &gt; 3].empty Output: TrueLeer También: Una Mejor Forma De Preprocesar Datos: Pandas Pipe6 &amp; 7. first_valid_index() y last_valid_index()Estos 2 métodos devuelven el índice del primer/último valor no NaN y son particularmente útiles para los objetos de la Serie con muchos NaNs:print(pd.Series([np.nan, np.nan, 1, 2, 3, np.nan]).first_valid_index()) print(pd.Series([np.nan, np.nan, 1, 2, 3, np.nan]).last_valid_index()) Output: 2 4Si todos los valores de una serie son NaN, ambos métodos devuelven None:print(pd.Series([np.nan, np.nan, np.nan]).first_valid_index()) print(pd.Series([np.nan, np.nan, np.nan]).last_valid_index()) Output: None None 8. truncate()Este método permite truncar una Serie antes y después de algún valor del índice. Vamos a truncar la Serie de la sección anterior dejando sólo los valores que no son NaN:s = pd.Series([np.nan, np.nan, 1, 2, 3, np.nan]) s.truncate(before=2, after=4) Output: 2 1.0 3 2.0 4 3.0 dtype: float64El índice original de la Serie se ha conservado. Podemos querer restablecerlo y también asignar la Serie truncada a una variable:s_truncated = s.truncate(before=2, after=4).reset_index(drop=True) print(s_truncated) Output: 0 1.0 1 2.0 2 3.0 dtype: float64 9. convert_dtypes()Como dice la documentación de pandas, este método se utiliza paraConvertir columnas a los mejores dtypes posibles usando dtypes que soportan pd.NA.Si se consideran sólo los objetos Series y no los DataFrames, la única aplicación de este método es convertir todos los enteros anulables (es decir, los números float con una parte decimal igual a 0, como 1.0, 2.0, etc.) de nuevo en enteros "normales". Estos números flotantes aparecen cuando la serie original contiene tanto enteros como valores NaN. Dado que NaN es un float en numpy y pandas, hace que toda la Serie con cualquier valor que falte pase a ser también de tipo float.Veamos el ejemplo de la sección anterior para ver cómo funciona:print(pd.Series([np.nan, np.nan, 1, 2, 3, np.nan])) print('\n') print(pd.Series([np.nan, np.nan, 1, 2, 3, np.nan]).convert_dtypes()) Output: 0 NaN 1 NaN 2 1.0 3 2.0 4 3.0 5 NaN dtype: float64 0 &lt;NA&gt; 1 &lt;NA&gt; 2 1 3 2 4 3 5 &lt;NA&gt; dtype: Int64 10. clip()We can clip all the values of a Series at input thresholds (lower and upper parameters):s = pd.Series(range(1, 11)) print(s) s_clipped = s.clip(lower=2, upper=7) print(s_clipped) Output: 0 1 1 2 2 3 3 4 4 5 5 6 6 7 7 8 8 9 9 10 dtype: int64 0 2 1 2 2 3 3 4 4 5 5 6 6 7 7 7 8 7 9 7 dtype: int64 11. rename_axis()En el caso de un objeto Serie, este método establece el nombre del índice:s = pd.Series({'flour': '300 g', 'butter': '150 g', 'sugar': '100 g'}) print(s) s=s.rename_axis('ingredients') print(s) Output: flour 300 g butter 150 g sugar 100 g dtype: object ingredients flour 300 g butter 150 g sugar 100 g dtype: objectLeer También: Pandas vs SQL. ¿Cuándo Los Científicos de Datos Deben Usar Uno Sobre el Otro?12 &amp; 13. nsmallest() y nlargest()Estos 2 métodos devuelven los elementos más pequeños/grandes de una Serie. Por defecto, devuelven 5 valores, en orden ascendente para nsmallest() y en descendente - para nlargest().s = pd.Series([3, 2, 1, 100, 200, 300, 4, 5, 6]) s.nsmallest() Output: 2 1 1 2 0 3 6 4 7 5 dtype: int64Es posible especificar otro número de los valores más pequeños/más grandes a devolver. Además, es posible que queramos restablecer el índice y asignar el resultado a una variable:largest_3 = s.nlargest(3).reset_index(drop=True) print(largest_3) Output: 0 300 1 200 2 100 dtype: int64 14. pct_change()Para un objeto Serie, podemos calcular el cambio porcentual (o, más precisamente, el cambio de fracción) entre el elemento actual y uno anterior. Este enfoque puede ser útil, por ejemplo, cuando se trabaja con series temporales, o para crear un gráfico de cascada en % o fracciones.s = pd.Series([20, 33, 14, 97, 19]) s.pct_change() Output: 0 NaN 1 0.650000 2 -0.575758 3 5.928571 4 -0.804124 dtype: float64Para que la serie resultante sea más legible, vamos a redondearla:s.pct_change().round(2) Output: 0 NaN 1 0.65 2 -0.58 3 5.93 4 -0.80 dtype: float64 15. explode()Este método transforma cada elemento tipo lista de una Serie (listas, tuplas, conjuntos, Series, ndarrays) en una fila. Los elementos tipo lista vacíos se transformarán en una fila con NaN. Para evitar índices repetidos en la Serie resultante, es mejor restablecer el índice:s = pd.Series([[np.nan], {1, 2}, 3, (4, 5)]) print(s) s_exploded = s.explode().reset_index(drop=True) print(s_exploded) Output: 0 [nan] 1 {1, 2} 2 3 3 (4, 5) dtype: object 0 NaN 1 1 2 2 3 3 4 4 5 5 dtype: object 16. repeat()Este método se utiliza para repetir consecutivamente cada elemento de una Serie un número definido de veces. También en este caso, tiene sentido restablecer el índice:s = pd.Series([1, 2, 3]) print(s) s_repeated = s.repeat(2).reset_index(drop=True) print(s_repeated) Output: 0 1 1 2 2 3 dtype: int64 0 1 1 1 2 2 3 2 4 3 5 3 dtype: int64Si el número de repeticiones se asigna a 0, se devolverá una Serie vacía:s.repeat(0) Output: Series([], dtype: int64) ConclusiónEn resumen, hemos investigado 16 métodos de pandas poco utilizados para trabajar con Series y algunos de sus casos de aplicación. Si conoces otras formas interesantes de manipular Series en pandas, eres bienvenido a compartirlas en los comentarios.¡Gracias por leer!Leer También: Usando Python y Pandas Datareader Para Analizar Datos Financieros

Join our private community in Discord

Keep up to date by participating in our global community of data scientists and AI enthusiasts. We discuss the latest developments in data science competitions, new techniques for solving complex challenges, AI and machine learning models, and much more!

Join our Discord