Utilice los marcos de datos de Pandas de manera más efectiva con las 7 principales operaciones de columna

'Mejore el uso de los marcos de datos de Pandas con las 7 principales operaciones de columna'

La guía completa para realizar las 7 principales operaciones de columna en Pandas, de diferentes maneras

Imagen de Alan en Pixabay

Cuando se trata de análisis de datos, Pandas es la biblioteca de Python más utilizada para manipular y preparar los datos para análisis posteriores y Aprendizaje Automático.

La realidad es que Pandas es una biblioteca realmente flexible y se puede utilizar incluso para convertir formatos de archivo.

Sin embargo, incluso si usamos algunas características de Pandas casi todos los días, gastamos mucho tiempo buscando en Google cómo hacer algo en Pandas.

¡Lo sé, te he atrapado!

Pero seamos honestos: algunas características son difíciles de recordar, tal vez porque podemos alcanzar el mismo objetivo con diferentes métodos. Entonces, no hay nada de qué avergonzarse si buscamos lo mismo en Google todos los días.

Sin embargo, ahorrar tiempo siempre es una buena idea. Por esta razón, en este artículo veremos las 7 principales características para manipular las columnas de Pandas. De esta manera, ya no necesitarás buscarlas en Google: solo necesitas guardar este artículo (quizás, marcándolo como favorito) y volver a él siempre que lo necesites.

Esto es lo que encontrarás aquí:

Tabla de contenidos:Cómo crear una nueva columna de PandasCómo agregar una nueva columna a un marco de datos de PandasCómo renombrar una columna en PandasCómo eliminar una columna de PandasCómo encontrar valores únicos en una columna de PandasCómo transformar una columna de Pandas en una listaCómo ordenar un marco de datos de Pandas por una columna

Cómo crear una nueva columna de Pandas

En primer lugar, recordemos que una columna de Pandas también se llama una serie de Pandas. Esto significa que un marco de datos de Pandas es una colección ordenada de series de Pandas.

Existen algunos métodos para crear una nueva columna de Pandas. Veámoslos todos.

Crear una columna de Pandas como una serie de Pandas

El método correcto para crear una columna de Pandas que se supone que “vive” por sí misma es a través del método de la serie de Pandas de la siguiente manera:

# Crear una serie de Pandasseries = pd.Series([6, 12, 18, 24])# Imprimir la serie de Pandasprint(series)>>>  0     6  1    12  2    18  3    24  dtype: int64

Dije “el método correcto” porque, como hemos dicho, una columna de Pandas es una serie de Pandas. Entonces, si solo necesitamos una columna, debemos usar este método si queremos ser “formalmente correctos”.

Crear una columna de Pandas como un marco de datos de Pandas

Sin embargo, la realidad es que rara vez necesitaremos una columna por sí sola.

Entonces, otra forma de crear una columna de Pandas es creando un nuevo marco de datos de Pandas con solo una columna: de esta manera, podríamos enriquecerlo en un segundo momento con otras columnas.

Podemos hacerlo de la siguiente manera:

import pandas as pd# Crear una columna de Pandas como un marco de datos de Pandasdf = pd.DataFrame({'A': [1, 2, 3, 4]})# Imprimir el marco de datos de Pandasprint(df)>>>     A  0  1  1  2  2  3  3  4

Entonces, aquí la diferencia con el ejemplo anterior es que, en este caso, la columna de Pandas también tiene un nombre. En este caso, la hemos llamado “A”.

NOTA:Si observamos más de cerca lo que hemos hecho aquí, podemos ver quepodemos crear un marco de datos de Pandas como un diccionario.De hecho, "A" es la clave y está separado por una lista de valorespor dos puntos. Luego, tanto las claves como los valores están dentro de llaves.

Crear una columna de Pandas como un data frame de Pandas, a partir de un array de NumPy

Uno de los superpoderes de Pandas es que puede “aceptar” arrays de NumPy como valores de entrada. En otras palabras, podemos crear un data frame a partir de un array de NumPy.

En el caso de una sola columna, podemos crear un array unidimensional y transformarlo en un data frame: esto resulta en un data frame con una sola columna.

Podemos hacerlo de la siguiente manera:

import numpy as npimport pandas as pd# Crear un array de NumPyvalues = np.array([5, 10, 15, 20])# Transformar el array en un data frame de Pandasdf = pd.DataFrame(values)# Imprimir el data frameprint(df)>>>    00   51  102  153  20

Cómo agregar una nueva columna a un data frame de Pandas

La posibilidad de agregar una nueva columna a un data frame de Pandas está de alguna manera relacionada con la creación de una nueva columna.

Lo que quiero decir aquí es que primero necesitamos crear un data frame de Pandas, luego una sola columna de Pandas, luego necesitamos agregar la columna al data frame.

También en este caso tenemos múltiples posibilidades para hacerlo. Veamos todas ellas.

Agregar una nueva columna a un data frame de Pandas: el método estándar

El método estándar para agregar una nueva columna a un data frame de Pandas es crear el data frame, luego crear una columna separada, luego agregarla al data frame.

Utilizaremos este método en todos los ejemplos siguientes. Entonces, así es como podemos hacerlo:

import pandas as pd# Crear un data framedf = pd.DataFrame({'A': [1, 2, 3, 4]})# Agregar una nueva columna usando una lista de valoresdf['B'] = [20, 30, 40, 50]# Imprimir el data frameprint(df)>>>   A   B0  1  201  2  302  3  403  4  50

Entonces, analicemos lo que hemos hecho paso a paso:

  1. Hemos creado un data frame de Pandas con el método pd.DataFrame().
  2. Hemos creado una nueva columna con df['B'], lo que significa que llamamos a esta nueva columna “B”.
  3. Hemos asignado los valores a la columna recién creada, con una lista de números.

Entonces, ¿cuál es otro método para crear una nueva columna? Es usando una lista de números, si ya tenemos un data frame.

Agregar una nueva columna a un data frame de Pandas: aplicando funciones

El poder del método estándar para agregar una nueva columna a un data frame existente nos da la posibilidad de crear una nueva columna y agregarla a un data frame existente, todo en una sola línea de código.

Por ejemplo, digamos que queremos crear dos nuevas columnas como una combinación de una columna existente. Podemos hacerlo aplicando funciones a las columnas existentes de la siguiente manera:

import pandas as pd# Crear un data framedf = pd.DataFrame({'A': [1, 2, 3, 4]})# Crear una columna duplicando los valores de la columna Adf['B'] = df['A'] * 2# Aplicar una función lambda a la columna A para crear la columna Cdf['C'] = df['A'].apply(lambda x: x ** 2)# Imprimir el data frameprint(df)>>>   A  B   C0  1  2   11  2  4   42  3  6   93  4  8  16

Entonces, esto es lo que hemos hecho:

  1. Hemos creado una columna de Pandas (“A”) como un data frame.
  2. Hemos creado la columna “B” duplicando los valores de la columna “A”.
  3. Hemos creado la columna “C” aplicando una función lambda a la columna “A”. En particular, en este caso, estamos elevando al cuadrado los valores de la columna “A”.

Todas estas columnas se almacenan juntas en un marco de datos único.

Agregar una nueva columna a un marco de datos de Pandas: usando series de Pandas o columnas de Pandas individuales

Por supuesto, podemos agregar columnas a un marco de datos de Pandas incluso cuando las columnas son series de Pandas o marcos de datos de Pandas.

Así es como podemos hacerlo:

import pandas as pd# Crear un marco de datosdf = pd.DataFrame({'A': [1, 2, 3, 4]})# Crear una nueva columna usando pd.Series()values = pd.Series([5, 10, 15, 20]) # Crear una seriedf['B'] = values # Agregar la serie al marco de datos como una columna# Imprimir el marco de datosprint(df)>>>   A   B0  1   51  2  102  3  153  4  20

Entonces, en el caso anterior, hemos creado una serie de Pandas y luego la hemos agregado al marco de datos existente dándole un nombre.

En el caso de una columna de Pandas creada como un marco de datos de Pandas, tenemos:

import pandas as pd# Crear un marco de datosdf = pd.DataFrame({'A': [1, 2, 3, 4], 'B': [5, 6, 7, 8]})# Crear una columna de Pandas como un marco de datosdf['C'] = pd.DataFrame({'C': [9, 10, 11, 12]})# Imprimir el marco de datosprint(df)>>>   A  B   C0  1  5   91  2  6  102  3  7  113  4  8  12

Y aquí estamos.

NOTA: por supuesto, la misma metodología se puede aplicar si creamos una columna como un array de NumPy. No mostraremos el método aquí ya que "el juego" debería estar claro ahora.

Cómo renombrar una columna en Pandas

Renombrar una columna de Pandas (o más de una) es otra tarea diaria típica que necesitamos realizar, pero que a menudo no podemos recordar.

También, en este caso, tenemos diferentes métodos para hacerlo. Veámoslos todos.

Cómo renombrar una columna de Pandas: el método rename()

Podemos renombrar una columna de Pandas con el método rename() de la siguiente manera:

import pandas as pd# Creando un marco de datosdf = pd.DataFrame({'A': [1, 2, 3], 'B': [4, 5, 6]})# Renombrando una sola columnadf = df.rename(columns={'A': 'NewA'})# Imprimir el marco de datosprint(df)>>>     NewA  B0     1    41     2    52     3    6

Entonces, es como si estuviéramos usando un diccionario. Dentro del método rename(), de hecho, necesitamos pasar el argumento columns y especificar el nombre actual y el nuevo nombre dentro de llaves, separándolos con dos puntos. Tal como lo hacemos en los diccionarios.

Por supuesto, podemos usar este método para renombrar múltiples columnas de la siguiente manera:

import pandas as pd# Creando un marco de datosdf = pd.DataFrame({'A': [1, 2, 3], 'B': [4, 5, 6]})# Renombrar múltiples columnasdf = df.rename(columns={'A': 'NewA', 'B': 'NewB'})# Imprimir el marco de datosprint(df)>>>    NewA  NewB0     1     41     2     52     3     6

Y, nuevamente, es como si estuviéramos trabajando con diccionarios.

Cómo renombrar una columna de Pandas: el atributo column

Para renombrar una columna de Pandas (o más de una, como veremos) podemos usar el atributo columns de la siguiente manera:

import pandas as pd# Creando un DataFrame
df = pd.DataFrame({'A': [1, 2, 3], 'B': [4, 5, 6]})# Renombrando todas las columnas
df.columns = ['NuevoA', 'NuevoB']# Imprimiendo el DataFrame
print(df)>>>    NuevoA  NuevoB
0       1       4
1       2       5
2       3       6

Entonces, en este caso, el atributo columns nos da la posibilidad de usar una lista de cadenas para renombrar las columnas.

Cómo renombrar una columna de Pandas: el método set_axis()

Para renombrar una (o más de una) columna de Pandas podemos usar el método set_axis() de la siguiente manera:

import pandas as pd# Creando un DataFrame
df = pd.DataFrame({'A': [1, 2, 3], 'B': [4, 5, 6]})# Renombrando todas las columnas
df.set_axis(['NuevoA', 'NuevoB'], axis=1, inplace=True)# Imprimiendo el DataFrame
print(df)>>>    NuevoA  NuevoB
0       1       4
1       2       5
2       3       6

Entonces, incluso en este caso, usamos una lista de cadenas para renombrar las columnas, pero aquí también necesitamos pasar los parámetros axis=1 e inplace=True porque el método set_axis() establece los ejes a partir de cero, por lo que los está recreando. Esto permite que este método renombre las columnas.

Cómo renombrar una columna de Pandas: usando funciones lambda

Cuando tenemos que lidiar con cadenas como en el caso de los nombres de las columnas de Pandas, podemos usar funciones lambda para modificar los caracteres del texto.

Por ejemplo, es posible que queramos (o necesitemos) renombrar las columnas simplemente convirtiendo las letras en minúsculas. Podemos hacerlo de la siguiente manera:

import pandas as pd# Creando un DataFrame
df = pd.DataFrame({'COLUMNA_1': [1, 2, 3], 'COLUMNA_2': [4, 5, 6]})# Renombrando las columnas usando una función lambda
df = df.rename(columns=lambda x: x.lower())  # Nombres de columna en minúsculas# Imprimiendo el DataFrame
print(df)>>>    columna_1  columna_2
0          1          4
1          2          5
2          3          6

Y aquí estamos.

Cómo eliminar una columna de Pandas

Eliminar una columna de Pandas (o más de una) es otra tarea que debemos realizar con mucha frecuencia. Puede ser porque sus valores no son significativos, porque sus valores son todos NULL o por otras razones.

Para realizar esta tarea tenemos dos métodos. Veámoslos ambos.

Cómo eliminar una columna de Pandas: usando el método drop()

El método típico para eliminar una columna de Pandas (o más de una) es usando el método drop().

Aquí lo único que debemos tener en cuenta es decidir si queremos eliminar algunas columnas y crear un nuevo DataFrame, o si queremos eliminarlas y sustituir el DataFrame actual.

Permíteme mostrarte la diferencia:

import pandas as pd# Creando un DataFrame
df = pd.DataFrame({'A': [1, 2, 3], 'B': [4, 5, 6], 'C': [7, 8, 9]})# Eliminar una columna y sustituir el DataFrame actual
df = df.drop('A', axis=1)# Imprimiendo el DataFrame actualizado
print(df)>>>    B  C
0  4  7
1  5  8
2  6  9

Entonces, hemos eliminado la columna “A” usando el método drop() especificando el nombre de la columna que queríamos eliminar y el eje (axis=1 en Pandas indica la dirección vertical y debe especificarse).

En este caso, hemos decidido sustituir el data frame df. Entonces, al final del proceso, el data frame df no tiene la columna “A”.

En cambio, si queremos crear otro data frame, digamos que lo llamamos df_2, debemos hacerlo de la siguiente manera:

import pandas as pd# Creando un DataFramedf = pd.DataFrame({'A': [1, 2, 3], 'B': [4, 5, 6], 'C': [7, 8, 9],      'D': [10, 11, 12]})# Eliminando una columna y sustituyendo el data frame actualdf_2 = df.drop(['A', 'D'], axis=1)# Imprimiendo el nuevo data frameprint(df_2)>>>   B  C0  4  71  5  82  6  9

Entonces, en este caso, hemos eliminado dos columnas y creamos un nuevo data frame con solo las columnas “B” y “C”.

Esto puede ser útil si creemos que podemos necesitar el data frame original df en el futuro, para análisis adicionales.

Cómo eliminar una columna de Pandas: usando el índice de la columna

En Pandas, las columnas se pueden seleccionar mediante índices. Esto significa que podemos eliminarlas usando los índices de la siguiente manera:

import pandas as pd# Creando un DataFramedf = pd.DataFrame({'A': [1, 2, 3], 'B': [4, 5, 6], 'C': [7, 8, 9],      'D': [10, 11, 12]})# Eliminando una columna y agregándola a un nuevo data framedf_2 = df.drop(df.columns[[0, 1]], axis=1)# Imprimiendo el nuevo data frameprint(df_2)>>>   C    D0  7   101  8   112  9   12

Entonces, en este caso, hemos creado un nuevo data frame con solo las columnas “C” y “D” y hemos eliminado las columnas “A” y “B” utilizando sus índices.

Recordando que en Python comenzamos a contar desde 0 (por lo tanto, la primera columna está en el índice 0 y es la columna “A”), debemos mencionar que este método puede no ser óptimo si tenemos decenas de columnas por una simple razón: debemos encontrar la (o las) que queremos eliminar contándolas, lo cual está sujeto a errores.

Cómo encontrar valores únicos en una columna de Pandas

Encontrar valores únicos en una columna de Pandas es otra tarea que podemos necesitar realizar a diario, porque los valores duplicados deben tratarse de manera particular.

También en este caso tenemos un par de métodos para hacerlo: uno muestra los duplicados en una columna y el otro los elimina.

Vamos a ver ambos.

Cómo encontrar valores únicos en una columna de Pandas: usando el método value_counts() para encontrar duplicados

Si queremos ver si una columna de Pandas tiene valores duplicados, y también queremos ver cuántos hay, podemos usar value_counts() de la siguiente manera:

import pandas as pd# Creando un DataFramedf = pd.DataFrame({'A': [1, 2, 3, 1, 3], 'B': [4, 5, 6, 7, 8,],    'C': [7, 8, 9, 10, 11]})# Encontrar valores únicos en una columna de Pandasunique_values = df['A'].value_counts()# Imprimir valores únicosprint(unique_values)>>>1    23    22    1Name: A, dtype: int64

Entonces, el resultado aquí muestra que:

  1. El nombre de la columna es “A” y los tipos son todos “int64”.
  2. Tenemos dos 1.
  3. Tenemos dos 3.
  4. Tenemos un 2.

Entonces, nos muestra los valores y nos dice cuántos de ellos están presentes en la columna de nuestro interés.

Cómo encontrar valores únicos en una columna de Pandas: usando el método drop_duplicates() para eliminar duplicados

Si queremos eliminar los valores duplicados en una columna de Pandas (porque sabemos que hay duplicados en ella) podemos usar el método drop_duplicates() de la siguiente manera:

import pandas as pd# Creando un DataFrame
df = pd.DataFrame({'A': [1, 2, 3, 1, 3], 'B': [4, 5, 6, 7, 8,], 'C': [7, 8, 9, 10, 11]})# Eliminar los valores duplicados en una columna de Pandas
valores_unicos = df['A'].drop_duplicates()# Imprimir los valores únicos
print(valores_unicos)>>>0    11    22    3

Entonces, hemos eliminado los duplicados de la columna “A”, creando una nueva columna de Pandas llamada valores_unicos.

Cómo encontrar valores únicos en una columna de Pandas: estudiando un DataFrame

En este punto, es posible que te preguntes: “Bueno, si tengo un DataFrame grande con decenas de columnas, ¿cómo puedo saber correctamente si algunas columnas tienen duplicados?”

¡Buena pregunta! Lo que podemos hacer es estudiar primero todo el DataFrame.

Por ejemplo, podemos ver si alguna columna tiene duplicados. Podemos hacerlo de la siguiente manera:

import pandas as pd# Creando un DataFrame con duplicados
df = pd.DataFrame({'A': [1, 2, 2, 3, 4, 4], 'B': [5, 6, 6, 7, 8, 8]})# Comprobar si hay duplicados en el DataFrame
tiene_duplicados = df.duplicated().any()# Imprimir el resultado
print(tiene_duplicados)>>>True

Entonces, este código devuelve “True” si hay columnas con duplicados y “False” si no los hay.

¿Y qué tal si queremos saber el nombre de las columnas que realmente tienen duplicados? Podemos hacerlo de la siguiente manera:

import pandas as pd# Creando un DataFrame con duplicados
df = pd.DataFrame({'A': [1, 2, 2, 3, 4, 4], 'B': [5, 6, 6, 7, 8, 8]})# Encontrar filas duplicadas
filas_duplicadas = df.duplicated()# Imprimir las filas duplicadas
print(df[filas_duplicadas])>>>   A  B2  2  65  4  8

Así que, el código anterior muestra:

  • Las columnas con los duplicados.
  • Los valores de los duplicados.

Ahora podemos investigar más a fondo con el método value_counts() o eliminarlos con el método drop_duplicates().

Cómo transformar una columna de Pandas en una lista

Transformar una columna de Pandas en una lista es una característica útil que nos puede dar la posibilidad de “aislar” todos los valores de una columna de Pandas para ponerlos en una lista. Luego, podemos hacer lo que necesitemos con una lista, que es fácilmente manejable (iterar, etc.).

Hay dos posibilidades para hacer esta transformación.

Cómo transformar una columna de Pandas en una lista: usando el método list()

El método list() es una función incorporada de Python que convierte un objeto iterable en una lista. Podemos usarlo de la siguiente manera:

import pandas as pd# Creando un DataFrame
df = pd.DataFrame({'A': [1, 2, 3, 1, 3], 'B': [4, 5, 6, 7, 8,], 'C': [7, 8, 9, 10, 11]})# Transformar columna de Pandas en una lista
columna_lista = list(df['B'])# Imprimir la lista
print(columna_lista)>>>[4, 5, 6, 7, 8]

Entonces, hemos extraído fácilmente nuestros valores y los hemos puesto en una lista.

Cómo transformar una columna de Pandas en una lista: usando el método to_list()

Para lograr el mismo resultado, podemos usar el método to_list() de Pandas. Pero ten cuidado: está disponible a partir de la versión 1.2.0 de Pandas o posterior.

Podemos usarlo así:

import pandas as pd# Creando un DataFrame
df = pd.DataFrame({'A': [1, 2, 3, 1, 3], 'B': [4, 5, 6, 7, 8,], 'C': [7, 8, 9, 10, 11]})# Transformando una columna de Pandas en una lista
column_list = df['B'].to_list()# Imprimiendo la lista
print(column_list)>>>[4, 5, 6, 7, 8]

Y, por supuesto, hemos obtenido el mismo resultado que antes.

Cómo ordenar un marco de datos de Pandas por una columna

Hay muchas situaciones en las que necesitamos ordenar nuestras columnas. Al ordenar nos referimos a la clasificación, por lo que podemos elegir ordenar los datos en orden ascendente o descendente.

Podemos lograr este objetivo con los siguientes métodos.

Cómo ordenar un marco de datos de Pandas por una columna: usando el método sort_values()

Para ordenar un marco de datos de Pandas por una columna, podemos usar el método sort_values() de la siguiente manera:

import pandas as pd# Creando un DataFrame
df = pd.DataFrame({'A': [10, 2, 7, 1, 15], 'B': [4, 2, 6, 28, 8,], 'C': [7, 1, 9, 10, 19]})# Ordenando df por A en orden ascendente
df.sort_values('A', ascending=True, inplace=True)# Imprimiendo el marco de datos ordenado
print(df)>>>    A   B   C3   1  28  101   2   2   12   7   6   90  10   4   74  15   8  19

Como podemos ver, el marco de datos se ha ordenado con la columna “A” en orden ascendente. De hecho, si verificamos:

  • En el marco de datos inicial, en la columna “A” el número 1 está en la cuarta posición. En la columna “B”, el número 28 está en la cuarta posición.
  • En el marco de datos ordenado, en la columna “A”, el número 1 está en la primera posición. En la columna “B”, el número 28 está en la primera posición.

Por lo tanto, ordenamos el marco de datos pero no perdemos las relaciones entre los valores de las columnas.

Una característica muy útil de este método es que puede ordenar una columna colocando NaNs como los primeros valores. Podemos hacerlo así:

import pandas as pd# Creando un DataFrame
df = pd.DataFrame({'A': [10, 0, 0, 1, 15], 'B': [4, 2, 6, 28, 8,], 'C': [7, 1, 15, 10, 19]})# Ordenando los NaNs al principio
df.sort_values('A', ascending=True, inplace=True)# Imprimiendo el marco de datos ordenado
print(df)>>>    A   B   C1   0   2   12   0   6  153   1  28  100  10   4   74  15   8  19

Y aquí estamos.

Cómo ordenar un marco de datos de Pandas por una columna: usando el método sort_index()

También podemos ordenar un marco de datos por el valor del índice de la siguiente manera:

import pandas as pd# Creando un DataFrame
df = pd.DataFrame({'A': [10, 2, 7, 1, 15], 'B': [4, 2, 6, 28, 8,], 'C': [7, 1, 9, 10, 19]})# Ordenando el DataFrame por índice
df.sort_index(inplace=True)# Imprimiendo el DataFrame ordenado
print(df)>>>    A   B   C0  10   4   71   2   2   12   7   6   93   1  28  104  15   8  19

Y, como podemos ver, los índices están ordenados (de forma ascendente).

Conclusiones

En este artículo, hemos visto las 7 operaciones principales en las columnas de Pandas que realizamos casi todos los días.

Esta guía te ayudará a ahorrar mucho tiempo si la guardas, ya que hemos realizado la misma tarea de diferentes formas para que no necesites buscarlas en Google, ahorrando mucho tiempo.

EBOOK GRATUITO DE PYTHON:

¿Has comenzado a aprender Python Data Science pero estás teniendo dificultades? Suscríbete a mi boletín y obtén mi ebook gratuito: esto te dará el camino de aprendizaje adecuado para aprender Python para Data Science con experiencia práctica.

¿Disfrutaste la historia? Conviértete en miembro de VoAGI por 5$/mes a través de mi enlace de referencia: Ganaré una pequeña comisión sin costo adicional para ti:

Como miembro de VoAGI, una parte de tu cuota de membresía se destina a los escritores que lees y tienes acceso completo a todas las historias…

federicotrotta.medium.com

We will continue to update Zepes; if you have any questions or suggestions, please contact us!

Share:

Was this article helpful?

93 out of 132 found this helpful

Discover more

Inteligencia Artificial

Principales extensiones de Chrome con inteligencia artificial AI

La idea de una máquina que escriba por ti ha pasado de ser ciencia ficción a realidad gracias a los avances en la tec...

Inteligencia Artificial

(Note 'Inpainting' is translated as 'relleno de imágenes' which means 'image filling')

¿Cómo se pueden completar de manera efectiva las secciones faltantes de una captura 3D? Este artículo de investigació...

Inteligencia Artificial

Hoja de ruta de Aprendizaje Automático Recomendaciones de la Comunidad 2023

En el último artículo, Parte 1 de este mapa de ruta, discutimos brevemente las herramientas iniciales y las direccion...

Inteligencia Artificial

¿Reemplazará la IA a la humanidad?

Descubramos si la inteligencia artificial es realmente inteligente y tiene el potencial de superar a los humanos.

Inteligencia Artificial

xAI lanza PromptIDE Una nueva frontera en la ingeniería de prompts y transparencia de la inteligencia artificial

En un movimiento revolucionario para el desarrollo de la inteligencia artificial, xAI ha presentado el PromptIDE, un ...

Inteligencia Artificial

OpenAI contempla unirse a la Liga de la fabricación de chips de IA

OpenAI, el gigante detrás del reconocido ChatGPT, podría adentrarse pronto en el dinámico mundo de la fabricación de ...