Laboratorio 6

ESCUELA PROFESIONAL DE INGENIERÍA Emisión:
DE TELECOMUNICACIONES 28/05/2020
LABORATORIO DE INFORMÁTICA
Página
EXPERIENCIA: 06 1 / 21
FICHEROS CON PANDAS
ESCUELA PROFESIONAL DE INGENIERÍA DE TELECOMUNICACIONES
LABORATORIO DE: COMPUTACIÓN 2
EXPERIENCIA N°: 06
TÍTULO DE LA EXPERIENCIA:
FICHEROS CON PANDAS
Grupa
Alumno(os): Indiv. Total
l
1.
2.
3.
4.
Grupo: Docente: Ing William Mullisaca
Semestre: 3 Atamari
Fecha de
Hora:
entrega:
LABORATORIO N° 06
Página
FICHEROS CON PANDAS
FICHEROS CON PANDAS
I.- OBJETIVOS:
-. Que el estudiante sea capaz de importar ficheros Excel con pandas en Python.
II.- FUNDAMENTO TEÓRICO:
2.1. Programando con python como lenguaje de programación hay muchas librerías muy
útiles para abrir excel: Openpyxl, XlsxWriter, y Pandas
En esta guía utilizaremos Pandas debido a su flexibilidad y cantidad de herramientas. Mi

recomendación es: utilizar Pandas si van a trabajar con muchos datos (porque tiene muchas
herramientas) y aprovechar las otras librerías si quieren hacer desarrollo y solo quieren
guardar datos en un archivo excel.
Para esta guia utilizaremos un set de datos : Austin Weather
Primero importaremos las librerías necesarias
import pandas as pd
Los archivos están guardados en la misma carpeta que el dónde estoy ejecutando el codigo, por
eso no es necesario colocar carpetas o subcarpetas en la dirección.
ipath = 'austion_weather.xlsx'
df = pd.read_excel(ipath)
df.head()
Si ejecutan esto les debería mostrar las primeras 5 filas del archivo excel. Está bastante feo
porque solo la primera columna tiene datos.
Página
FICHEROS CON PANDAS
Vamos a saltarnos unas cuantas filas para encontrar los datos.
df = pd.read_excel(ipath, skiprows=26)
df.head()
¿Eso está mejor verdad? Ahora pandas me muestra los títulos de la columna como ser: Date,
TempAvgF, TempLowF, etc
Ahora veamos algo que no sé ve a simple vista. ¿Cómo son los datos que tenemos? Para eso
ejecutamos:
Página
FICHEROS CON PANDAS
df.info()
Esto nos debería mostrar los detalles por cada columna:
<class 'pandas.core.frame.DataFrame'>
RangeIndex: 1319 entries, 0 to 1318
Data columns (total 21 columns):
Date 1319 non-null object
TempHighF 1319 non-null int64
TempAvgF 1319 non-null int64
TempLowF 1319 non-null int64
DewPointHighF 1319 non-null object
DewPointAvgF 1319 non-null object
DewPointLowF 1319 non-null object
HumidityHighPercent 1319 non-null object
HumidityAvgPercent 1319 non-null object
HumidityLowPercent 1319 non-null object
SeaLevelPressureHighInches 1319 non-null object
SeaLevelPressureAvgInches 1319 non-null object
SeaLevelPressureLowInches 1319 non-null object
VisibilityHighMiles 1319 non-null object
VisibilityAvgMiles 1319 non-null object
VisibilityLowMiles 1319 non-null object
WindHighMPH 1319 non-null object
WindAvgMPH 1319 non-null object
WindGustMPH 1319 non-null object

Página
FICHEROS CON PANDAS
PrecipitationSumInches 1319 non-null object
Events 1319 non-null object
dtypes: int64(3), object(18)
memory usage: 216.5+ KB
¿Qué leemos? Resumiendo: cantidad de datos por columna, qué tipo de datos es (object, int64)
Object es una mezcla de datos (texto, números, etc. Pandas llama así a las columnas con datos
mixtos) y el int64, se refiere a números enteros.
Hay más información, pero por ahora esto es todo lo que nos interesa.
Una tabla como está nos puede dar problemas para trabajar. ¿Por qué? Porque por ejemplo no
puedo sacar datos de estadísticos con columnas que tienen datos de texto y números. No puedo
sacar promedios si Pandas no reconoce a los datos como números.
¿Qué ocurre aquí? Por qué Pandas me dice que la columna de DewPointAvgF tiene texto y
números. Si revisan esa columna verán que cuando no hay datos no dejan la celda vacía,
colocan un guión (-), un ejemplo es el 14-06-2014 o el 10-08-2015. Esto hace que Pandas crea
que hay texto y número... y tiene razón!!!
Vamos a avisarle a Pandas que los guiones significan datos inexistentes. Eso se llama NaN
Values, y Pandas si reconoce esos datos, los considera datos inexistentes.
df = pd.read_excel(ipath, skiprows=26, na_values='-')
df.info()
RangeIndex: 1319 entries, 0 to 1318
Data columns (total 21 columns):
Date 1319 non-null object

Página
FICHEROS CON PANDAS
TempHighF 1319 non-null int64
TempAvgF 1319 non-null int64
TempLowF 1319 non-null int64
DewPointHighF 1312 non-null float64
DewPointAvgF 1312 non-null float64
DewPointLowF 1312 non-null float64
HumidityHighPercent 1317 non-null float64
HumidityAvgPercent 1317 non-null float64
HumidityLowPercent 1317 non-null float64
SeaLevelPressureHighInches 1316 non-null float64
SeaLevelPressureAvgInches 1316 non-null float64
SeaLevelPressureLowInches 1316 non-null float64
VisibilityHighMiles 1307 non-null float64
VisibilityAvgMiles 1307 non-null float64
VisibilityLowMiles 1307 non-null float64
WindHighMPH 1317 non-null float64
WindAvgMPH 1317 non-null float64
WindGustMPH 1315 non-null float64
PrecipitationSumInches 1319 non-null object
Events 1319 non-null object
dtypes: float64(15), int64(3), object(3)
memory usage: 216.5+ KB
Cambio, ¿verdad? Ahora Pandas me da nuevos tipos de datos. Los float64, que significan que
son datos con comas, o sea, decimales.
Página
FICHEROS CON PANDAS
Las últimas dos columnas continuan siendo object, debido a que PrecipitationSumInches tiene un
valor de trazas (T). Cada vez que precipito/llovió menos de 0.01 inches (pulgadas) colocaron T en
la celda. No es un dato inexistente, y debe ser tratado de una forma diferente a la anterior.
La columna Events tiene descripciones de los eventos, podemos dejarlo en texto.
2.2. LEER UN ARCHIVO DE EXCEL
Puedes leer desde un archivo de Excel usando el método read_excel () de pandas. Para esto,
necesitas importar un módulo más llamado xlrd.
Instala xlrd usando pip:
pip install xlrd
El siguiente ejemplo muestra cómo leer de una hoja de Excel:

1. Creamos una hoja de Excel con los siguientes contenidos:
Página
FICHEROS CON PANDAS
2. Importa el módulo de pandas.

import pandas
3. Pasaremos el nombre del archivo de Excel y el número de hoja del que necesitamos
leer los datos al método read_excel ().
pandas.read_excel('pandasExcel.xlsx', 'Sheet1')
El fragmento anterior generará el siguiente resultado:
Si verificas el tipo de salida usando la palabra clave de type, te dará el siguiente resultado:
Página
FICHEROS CON PANDAS
Este resultado es llamado DataFrame. Esa es la unidad básica de pandas con la que se va a
tratar mas adelante.
El DataFrame es una estructura de 2 dimensiones etiquetada donde podemos almacenar
datos de diferentes tipos. DataFrame es similar a una tabla SQL o una hoja de cálculo de
Excel.
2.3. IMPORTAR ARCHIVO CSV
Para leer un archivo CSV, puedes usar el método read_csv () de pandas.

Importa el módulo de pandas:
import pandas
Ahora llama al método read_csv () de la siguiente manera:

pandas.read_csv('Book1.csv')
Book1.csv tiene el siguiente contenido:
El código generará el siguiente DataFrame:

Página
FICHEROS CON PANDAS
III.- RECOMENDACIONES EN SEGURIDAD
3.1. En condiciones de una emergencia Identifique:

 Vías de acceso y evacuación
 Equipos de respuesta a emergencias
 Señalización de seguridad
3.2. Complete el ATS (Anexo 1) y cumpla las condiciones obligatorias para el uso del
ambiente
IV.- EQUIPOS Y MATERIALES A UTILIZAR:

Cantidad Descripción
1 PC con software Python
V.- PROCEDIMIENTO:
El fichero titanic.csv contiene información sobre los pasajeros del Titanic. Escribir un
programa con los siguientes requisitos:
1. Generar un DataFrame con los datos del fichero.

2. Mostrar por pantalla las dimensiones del DataFrame, el número de datos que contiene,
los nombres de sus columnas y filas, los tipos de datos de las columnas, las 10
primeras filas y las 10 últimas filas.
3. Mostrar por pantalla los datos del pasajero con identificador 148.
Página
FICHEROS CON PANDAS
4. Mostrar por pantalla las filas pares del DataFrame.
5. Mostrar por pantalla los nombres de las personas que iban en primera clase ordenadas
alfabéticamente.
6. Mostrar por pantalla el porcentaje de personas que sobrevivieron y murieron.
7. Mostrar por pantalla el porcentaje de personas que sobrevivieron en cada clase.
8. Eliminar del DataFrame los pasajeros con edad desconocida.
9. Mostrar por pantalla la edad media de las mujeres que viajaban en cada clase.
10.Añadir una nueva columna booleana para ver si el pasajero era menor de edad o no.
11.Mostrar por pantalla el porcentaje de menores y mayores de edad que sobrevivieron
en cada clase.
import pandas as pd
# Generar un DataFrame con los datos del fichero.
titanic =
pd.read_csv('https://raw.githubusercontent.com/asalber/asalber.github.io/master
/python/ejercicios/soluciones/pandas/titanic.csv', index_col=0)
print(titanic)
Survived Pclass \
PassengerId
1 0 3
2 1 1
3 1 3
4 1 1
5 0 3
... ... ...
887 0 2
888 1 1
889 0 3
890 1 1
891 0 3
Name Sex Age \

PassengerId
1 Braund, Mr. Owen Harris male 22.0
2 Cumings, Mrs. John Bradley (Florence Briggs Th... female 38.0
3 Heikkinen, Miss. Laina female 26.0
4 Futrelle, Mrs. Jacques Heath (Lily May Peel) female 35.0
5 Allen, Mr. William Henry male 35.0
... ... ... ...
887 Montvila, Rev. Juozas male 27.0
888 Graham, Miss. Margaret Edith female 19.0
Página
FICHEROS CON PANDAS
889 Johnston, Miss. Catherine Helen "Carrie" female NaN
890 Behr, Mr. Karl Howell male 26.0
891 Dooley, Mr. Patrick male 32.0
SibSp Parch Ticket Fare Cabin Embarked

PassengerId
1 1 0 A/5 21171 7.2500 NaN S
2 1 0 PC 17599 71.2833 C85 C
3 0 0 STON/O2. 3101282 7.9250 NaN S
4 1 0 113803 53.1000 C123 S
5 0 0 373450 8.0500 NaN S
... ... ... ... ... ... ...
887 0 0 211536 13.0000 NaN S
888 0 0 112053 30.0000 B42 S
889 1 2 W./C. 6607 23.4500 NaN S
890 0 0 111369 30.0000 C148 C
891 0 0 370376 7.7500 NaN Q
[891 rows x 11 columns]
# Mostrar por pantalla las dimensiones del DataFrame, el número de datos que contiene, los nombres de
sus columnas y filas, los tipos de datos de las columnas, las 10 primeras filas y las 10 últimas filas.
print('Dimensiones:', titanic.shape)
print('Número de elemntos:', titanic.size)
print('Nombres de columnas:', titanic.columns)
print('Nombres de filas:', titanic.index)
print('Tipos de datos:\n', titanic.dtypes)
print('Primeras 10 filas:\n', titanic.head(10))
print('Últimas 10 filas:\n', titanic.tail(10))
Dimensiones: (891, 11)

Número de elemntos: 9801
Nombres de columnas: Index(['Survived', 'Pclass', 'Name', 'Sex', 'Age', 'SibSp',
'Parch', 'Ticket',
'Fare', 'Cabin', 'Embarked'],
dtype='object')
Nombres de filas: Int64Index([ 1, 2, 3, 4, 5, 6, 7, 8, 9, 10,
...
882, 883, 884, 885, 886, 887, 888, 889, 890, 891],
dtype='int64', name='PassengerId', length=891)
Tipos de datos:
Survived int64
Pclass int64
Name object
Sex object
Age float64
SibSp int64
Parch int64
Ticket object
Fare float64
Cabin object
Embarked object
Página
FICHEROS CON PANDAS
dtype: object
Primeras 10 filas:
Survived Pclass \
PassengerId
1 0 3
2 1 1
3 1 3
4 1 1
5 0 3
6 0 3
7 0 1
8 0 3
9 1 3
10 1 2
Name Sex Age \

PassengerId
2 Cumings, Mrs. John Bradley (Florence Briggs Th... female 38.0
4 Futrelle, Mrs. Jacques Heath (Lily May Peel) female 35.0
6 Moran, Mr. James male NaN
7 McCarthy, Mr. Timothy J male 54.0
8 Palsson, Master. Gosta Leonard male 2.0
9 Johnson, Mrs. Oscar W (Elisabeth Vilhelmina Berg) female 27.0
10 Nasser, Mrs. Nicholas (Adele Achem) female 14.0

PassengerId
1 1 0 A/5 21171 7.2500 NaN S
2 1 0 PC 17599 71.2833 C85 C
3 0 0 STON/O2. 3101282 7.9250 NaN S
4 1 0 113803 53.1000 C123 S
5 0 0 373450 8.0500 NaN S
6 0 0 330877 8.4583 NaN Q
7 0 0 17463 51.8625 E46 S
8 3 1 349909 21.0750 NaN S
9 0 2 347742 11.1333 NaN S
10 1 0 237736 30.0708 NaN C
Últimas 10 filas:
Survived Pclass Name \
PassengerId
882 0 3 Markun, Mr. Johann
883 0 3 Dahlberg, Miss. Gerda Ulrika
884 0 2 Banfield, Mr. Frederick James
885 0 3 Sutehall, Mr. Henry Jr
886 0 3 Rice, Mrs. William (Margaret Norton)
887 0 2 Montvila, Rev. Juozas
888 1 1 Graham, Miss. Margaret Edith
889 0 3 Johnston, Miss. Catherine Helen "Carrie"
890 1 1 Behr, Mr. Karl Howell
891 0 3 Dooley, Mr. Patrick
Sex Age SibSp Parch Ticket Fare Cabin \

PassengerId
882 male 33.0 0 0 349257 7.8958 NaN
883 female 22.0 0 0 7552 10.5167 NaN
Página
FICHEROS CON PANDAS
884 male 28.0 0 0 C.A./SOTON 34068 10.5000 NaN
885 male 25.0 0 0 SOTON/OQ 392076 7.0500 NaN
886 female 39.0 0 5 382652 29.1250 NaN
887 male 27.0 0 0 211536 13.0000 NaN
888 female 19.0 0 0 112053 30.0000 B42
889 female NaN 1 2 W./C. 6607 23.4500 NaN
890 male 26.0 0 0 111369 30.0000 C148
891 male 32.0 0 0 370376 7.7500 NaN
Embarked
PassengerId
882 S
883 S
884 S
885 S
886 Q
887 S
888 S
889 S
890 C
891 Q
# Mostrar por pantalla los datos del pasajero con identificador 148
print(titanic.loc[148])
Survived 0
Pclass 3
Name Ford, Miss. Robina Maggie "Ruby"
Sex female
Age 9
SibSp 2
Parch 2
Ticket W./C. 6608
Fare 34.375
Cabin NaN
Embarked S
Name: 148, dtype: object
# Mostrar por pantalla las filas pares del DataFrame.
print(titanic.iloc[range(0,titanic.shape[0],2)])
Survived Pclass \
PassengerId
1 0 3
3 1 3
5 0 3
7 0 1
9 1 3
... ... ...
Página
FICHEROS CON PANDAS
883 0 3
885 0 3
887 0 2
889 0 3
891 0 3
Name Sex Age \

PassengerId
7 McCarthy, Mr. Timothy J male 54.0
9 Johnson, Mrs. Oscar W (Elisabeth Vilhelmina Berg) female 27.0
... ... ... ...
883 Dahlberg, Miss. Gerda Ulrika female 22.0
885 Sutehall, Mr. Henry Jr male 25.0
887 Montvila, Rev. Juozas male 27.0
889 Johnston, Miss. Catherine Helen "Carrie" female NaN
891 Dooley, Mr. Patrick male 32.0

PassengerId
1 1 0 A/5 21171 7.2500 NaN S
3 0 0 STON/O2. 3101282 7.9250 NaN S
5 0 0 373450 8.0500 NaN S
7 0 0 17463 51.8625 E46 S
9 0 2 347742 11.1333 NaN S
... ... ... ... ... ... ...
883 0 0 7552 10.5167 NaN S
885 0 0 SOTON/OQ 392076 7.0500 NaN S
887 0 0 211536 13.0000 NaN S
889 1 2 W./C. 6607 23.4500 NaN S
891 0 0 370376 7.7500 NaN Q
[446 rows x 11 columns]
# Mostrar los nombres de las personas que iban en primera clase ordenadas alfabéticamente.
print(titanic[titanic["Pclass"]==1]['Name'].sort_values())
PassengerId
731 Allen, Miss. Elisabeth Walton
306 Allison, Master. Hudson Trevor
298 Allison, Miss. Helen Loraine
499 Allison, Mrs. Hudson J C (Bessie Waldo Daniels)
461 Anderson, Mr. Harry
...
156 Williams, Mr. Charles Duane
352 Williams-Lambert, Mr. Fletcher Fellows
56 Woolner, Mr. Hugh
556 Wright, Mr. George
326 Young, Miss. Marie Grice
Name: Name, Length: 216, dtype: object
Página
FICHEROS CON PANDAS
# Mostrar por pantalla el porcentaje de personas que sobrevivieron y murieron
print(titanic['Survived'].value_counts()/titanic['Survived'].count() * 100)
# Alternativa
print(titanic['Survived'].value_counts(normalize=True) * 100)
0 61.616162
1 38.383838
Name: Survived, dtype: float64
0 61.616162
1 38.383838
#Mostrar por pantalla el porcentaje de personas que sobrevivieron en cada clase
print(titanic.groupby('Pclass')['Survived'].value_counts(normalize=True))
Pclass Survived
1 1 0.629630
0 0.370370
2 0 0.527174
1 0.472826
3 0 0.757637
1 0.242363
# Eliminar del DataFrame los pasajeros con edad desconocida.
titanic.dropna(subset=['Age'])
# Alternativa
# titanic = titanic[titanic['Age'].notna()]
Página
FICHEROS CON PANDAS
# Mostrar la edad media de las mujeres que viajaban en cada clase.
print(titanic.groupby(['Pclass','Sex'])['Age'].mean().unstack()['female'])
Pclass
1 34.611765
2 28.722973
3 21.750000
Name: female, dtype: float64
# Añadir una nueva columna booleana para ver si el pasajero era menor de edad o no.
titanic['Young'] = titanic['Age'] < 18
# Mostrar el porcentaje de menores y mayores de edad que sobrevivieron en cada clase.
print(titanic.groupby(['Pclass', 'Young'])['Survived'].value_counts(normalize =
True) * 100)
Pclass Young Survived

1 False 1 61.274510
0 38.725490
True 1 91.666667
0 8.333333
2 False 0 59.006211
1 40.993789
True 1 91.304348
0 8.695652
3 False 0 78.208232
1 21.791768
True 0 62.820513
Página
FICHEROS CON PANDAS
1 37.179487
VI.- BIBLIOGRAFÍA:
 Eugenia Bahit Curso: Python para Principiantes www.eugeniabahit.com

 https://www.youtube.com/watch?v=_8onVOY2j4E
Rubrica:
Puntualidad
Asistencia
Conclusiones Observaciones
Porcentaje %
Sugerencias
Total
Desarrollo de experiencias
Bibliografía
x 5.1 5.2 5.3 5.4 5.5 5.6 5.7 6.1 6. 6.3
2
2.0 2.0 15. - - - - - - - - - - 1.0 - 20 15
0
Ing William Mullisaca

Docente DAIE
Página
FICHEROS CON PANDAS
Anexo 1 Fecha 30/04/202
ATS: Análisis de trabajo seguro 0
Versión 1.1
Código ATS20V1
Curso: Tarea: Docente:
Ambiente: Grupo: Mesa: Fecha:
Integrantes (Apellidos y nombres) Firma Integrantes (Apellidos y nombres) Firma
1. 2.
3. 4.
Elementos de protección (Marque con aspa) Características de elementos de protección, equipos y herramientas
1. ____________________________________________________________
USO OBLIGATORIO
DEL CASCO DE
USO OBLIGATORIO
DE BOTAS AISLANTES
USO OBLIGATORIO
DE GUANTES
USO OBLIGATORIO
DE PROTECCIÓN
USO OBLIGATORIO
DE MASCARILLA
USO
OBLIGATORIO DE
2. ____________________________________________________________
SEGURIDAD AISLANTES OCULAR PROTECTOR
FACIAL
3. ____________________________________________________________
4. ____________________________________________________________
5. ____________________________________________________________
USO OBLIGATORIO APAGAR USO OBLIGATORIO OBLIGATORIO USO OBLIGATORIO OTRO
DE PROTECCIÓN DESCONECTAR DE PROTECTOR CONECTAR A DE TRAJE DE
AUDITIVA CUANDO NO SE USE AJUSTABLE TIERRA SEGURIDAD
Acciones a realizar Otros riesgos en las acciones

(marque con aspa las advertencias por cada a realizar, considerar
acción) medidas de control
1.
2. 1._________________________
3. ___________________________
4.
5. 2._________________________
6. ___________________________
3. _________________________

Laboratorio 6

Cargado por

Copyright:

Formatos disponibles

Laboratorio 6

Cargado por

Información del documento

Descripción original:

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Laboratorio 6

Cargado por

Copyright:

Formatos disponibles

ESCUELA PROFESIONAL DE INGENIERÍA Emisión:

ESCUELA PROFESIONAL DE INGENIERÍA DE TELECOMUNICACIONES

LABORATORIO DE: COMPUTACIÓN 2

FICHEROS CON PANDAS

FICHEROS CON PANDAS

II.- FUNDAMENTO TEÓRICO:

En esta guía utilizaremos Pandas debido a su flexibilidad y cantidad de herramientas. Mi

Vamos a saltarnos unas cuantas filas para encontrar los datos.

Esto nos debería mostrar los detalles por cada columna:

Data columns (total 21 columns):

Date 1319 non-null object

TempHighF 1319 non-null int64

TempAvgF 1319 non-null int64

TempLowF 1319 non-null int64

DewPointHighF 1319 non-null object

DewPointAvgF 1319 non-null object

DewPointLowF 1319 non-null object

HumidityHighPercent 1319 non-null object

HumidityAvgPercent 1319 non-null object

HumidityLowPercent 1319 non-null object

SeaLevelPressureHighInches 1319 non-null object

SeaLevelPressureAvgInches 1319 non-null object

SeaLevelPressureLowInches 1319 non-null object

VisibilityHighMiles 1319 non-null object

VisibilityAvgMiles 1319 non-null object

VisibilityLowMiles 1319 non-null object

WindHighMPH 1319 non-null object

WindAvgMPH 1319 non-null object

WindGustMPH 1319 non-null object

PrecipitationSumInches 1319 non-null object

Events 1319 non-null object

dtypes: int64(3), object(18)

memory usage: 216.5+ KB

df = pd.read_excel(ipath, skiprows=26, na_values='-')

Data columns (total 21 columns):

Date 1319 non-null object

TempHighF 1319 non-null int64

TempAvgF 1319 non-null int64

TempLowF 1319 non-null int64

DewPointHighF 1312 non-null float64

DewPointAvgF 1312 non-null float64

DewPointLowF 1312 non-null float64

HumidityHighPercent 1317 non-null float64

HumidityAvgPercent 1317 non-null float64

HumidityLowPercent 1317 non-null float64

SeaLevelPressureHighInches 1316 non-null float64

SeaLevelPressureAvgInches 1316 non-null float64

SeaLevelPressureLowInches 1316 non-null float64

VisibilityHighMiles 1307 non-null float64

VisibilityAvgMiles 1307 non-null float64

VisibilityLowMiles 1307 non-null float64

WindHighMPH 1317 non-null float64

WindAvgMPH 1317 non-null float64

WindGustMPH 1315 non-null float64

PrecipitationSumInches 1319 non-null object

Events 1319 non-null object

dtypes: float64(15), int64(3), object(3)

memory usage: 216.5+ KB