Você já ouviu falar do poderoso Pandas? É uma biblioteca Python que torna a manipulação e análise de dados uma tarefa muito mais fácil. Neste artigo, vamos explorar 20 exercícios práticos para te ajudar a dominar o Pandas. Vamos lá!
1. Criando um DataFrame
Começamos importando a biblioteca Pandas e criando um DataFrame chamado “dados” com três colunas: “Nome”, “Idade” e “Cidade”. Preenchemos com alguns dados.
import pandas as pd
data = {'Nome': ['Alice', 'Bob', 'Charlie', 'David', 'Eva'],
'Idade': [25, 30, 22, 35, 18],
'Cidade': ['SP', 'RJ', 'SP', 'MG', 'RS']}
dados = pd.DataFrame(data)2. Acessando Dados
Aprendemos a acessar informações imprimindo as primeiras 5 linhas do nosso DataFrame “dados”.
primeiras_linhas = dados.head()
print(primeiras_linhas)3. Filtrando Dados
Criamos um novo DataFrame chamado “maiores_de_idade” que contém apenas as pessoas com idade maior ou igual a 18.
maiores_de_idade = dados[dados['Idade'] >= 18]4. Ordenando Dados
Ordenamos o DataFrame “dados” por idade em ordem decrescente.
dados_ordenados = dados.sort_values(by='Idade', ascending=False)5. Agregação de Dados
Calculamos a média de idade das pessoas no DataFrame “dados”.
media_idade = dados['Idade'].mean()6. Adicionando uma Nova Coluna
Expandimos nosso DataFrame adicionando uma coluna chamada “Estado” e preenchendo com valores fictícios.
dados['Estado'] = ['SP', 'RJ', 'MG', 'SP', 'RS']7. Removendo Colunas
Simplificamos o DataFrame removendo a coluna “Cidade”.
dados = dados.drop(columns='Cidade')8. Salvando e Carregando Dados
Aprendemos a salvar o DataFrame “dados” em um arquivo CSV chamado “dados.csv” e depois carregá-lo de volta para um novo DataFrame chamado “dados_carregados”.
dados.to_csv('dados.csv', index=False)
dados_carregados = pd.read_csv('dados.csv')9. Consultas Condicionais
Selecionamos todas as pessoas no DataFrame “dados” que vivem em um estado específico, por exemplo, “SP”.
pessoas_SP = dados[dados['Estado'] == 'SP']10. Contagem de Valores
Contamos quantas pessoas no DataFrame “dados” têm a mesma idade.
contagem_idades = dados['Idade'].value_counts()11. Substituição de Valores
Substituímos todas as ocorrências do estado “SP” por “São Paulo” no DataFrame “dados”.
dados['Estado'].replace('SP', 'São Paulo', inplace=True)12. Resumo Estatístico
Geramos um resumo estatístico do DataFrame “dados” que inclui contagem, média, desvio padrão, mínimo e máximo das idades.
resumo_estatistico = dados.describe()13. Preenchimento de Valores Ausentes
Criamos um DataFrame com valores ausentes (NaN) e, em seguida, preenchemos esses valores com um valor padrão.
import numpy as np
dados_ausentes = pd.DataFrame({'A': [1, 2, np.nan, 4],
'B': [np.nan, 2, 3, 4]})
dados_preenchidos = dados_ausentes.fillna(0)14. Concatenação de DataFrames
Criamos dois DataFrames e os concatenamos verticalmente.
df1 = pd.DataFrame({'A': [1, 2], 'B': [3, 4]})
df2 = pd.DataFrame({'A': [5, 6], 'B': [7, 8]})
concatenado = pd.concat([df1, df2], axis=0)15. Mescle (Merge) de DataFrames
Criamos dois DataFrames com uma coluna em comum e fizemos uma mesclagem (merge) baseada nessa coluna.
df1 = pd.DataFrame({'Chave': ['A', 'B'], 'Valor1': [1, 2]})
df2 = pd.DataFrame({'Chave': ['B', 'C'], 'Valor2': [3, 4]})
mesclado = pd.merge(df1, df2, on='Chave')16. Agrupamento de Dados
Agrupamos o DataFrame “dados” por estado e calculamos a média de idade em cada grupo.
agrupado = dados.groupby('Estado')['Idade'].mean()17. Plotagem de Dados
Visualizamos os dados criando um gráfico de barras que mostra a contagem de pessoas em cada estado no DataFrame “dados”.
import matplotlib.pyplot as plt
contagem_por_estado = dados['Estado'].value_counts()
contagem_por_estado.plot(kind='bar')
plt.xlabel('Estado')
plt.ylabel('Contagem')
plt.show()18. Filtros Avançados
Usamos filtros avançados para selecionar pessoas com idade entre 25 e 35 anos e que vivem no “RJ”.
filtro_avancado = dados[(dados['Idade'] >= 25) & (dados['Idade'] <= 35) & (dados['Estado'] == 'RJ')]19. Pivotagem de Dados
Realizamos uma pivotagem de dados no DataFrame “dados” para criar uma nova tabela que mostra a média de idade por estado.
tabela_pivot = pd.pivot_table(dados, values='Idade', index='Estado', aggfunc='mean')20. Exportação de Dados
Por fim, exportamos o DataFrame “dados” para um arquivo Excel chamado “dados.xlsx”.
dados.to_excel('dados.xlsx', index=False)Agora você está equipado com conhecimentos sólidos para trabalhar com Pandas em Python. Divirta-se aprendendo e explorando! Lembre-se de consultar a documentação do Pandas sempre