{"id":26289,"date":"2025-08-27T18:31:15","date_gmt":"2025-08-27T21:31:15","guid":{"rendered":"https:\/\/maurinsoft.com.br\/wp\/?p=26289"},"modified":"2025-08-27T18:57:27","modified_gmt":"2025-08-27T21:57:27","slug":"aula-de-manipulacao-de-dados-em-python","status":"publish","type":"post","link":"https:\/\/maurinsoft.com.br\/wp\/aula-de-manipulacao-de-dados-em-python\/","title":{"rendered":"Aula de Manipula\u00e7\u00e3o de dados em Python"},"content":{"rendered":"\n
Arquivos CSV<\/h2>\n\n\n\n
Um arquivo CSV<\/strong> (Comma-Separated Values) \u00e9 um formato simples e muito usado para armazenar e trocar dados em forma de tabela. Nele, cada linha representa um registro e cada coluna \u00e9 separada por v\u00edrgula (,<\/code>), ponto e v\u00edrgula (;<\/code>) ou outro delimitador.<\/p>\n\n\n\n
\u2728 Principais caracter\u00edsticas:<\/strong><\/p>\n\n\n\n
\n
\u00c9 um arquivo de texto puro<\/strong>, f\u00e1cil de abrir em qualquer editor ou programa.<\/li>\n\n\n\n
Pode ser lido e escrito por diversos sistemas e linguagens de programa\u00e7\u00e3o.<\/li>\n\n\n\n
\u00c9 amplamente usado para importar e exportar dados<\/strong> entre bancos de dados, planilhas (como Excel) e softwares.<\/li>\n<\/ul>\n\n\n\n
\ud83d\udccc Exemplo de CSV:<\/strong><\/p>\n\n\n\n
nome,idade,cidade\nMaria,25,S\u00e3o Paulo\nJo\u00e3o,30,Rio de Janeiro\nAna,22,Belo Horizonte\n<\/code><\/pre>\n\n\n\n
\ud83d\udc49 Nesse exemplo:<\/p>\n\n\n\n
\n
A primeira linha traz o cabe\u00e7alho<\/strong> (nomes das colunas).<\/li>\n\n\n\n
As linhas seguintes s\u00e3o os dados<\/strong>.<\/li>\n<\/ul>\n\n\n\n
\ud83d\udca1 Por ser simples e leve, o CSV \u00e9 ideal quando precisamos de compatibilidade e portabilidade de dados<\/strong>, mas n\u00e3o traz recursos avan\u00e7ados como f\u00f3rmulas ou formata\u00e7\u00e3o, presentes em arquivos de planilha.<\/p>\n\n\n\n
Como criar um arquivo CSV<\/h2>\n\n\n\n
Entre no notepad++ e crie um novo arquivo.<\/p>\n\n\n\n
Copie o seguinte conte\u00fado.<\/p>\n\n\n\n
nome,idade,cidade\nMaria,25,S\u00e3o Paulo\nJo\u00e3o,30,Rio de Janeiro\nAna,22,Belo Horizonte<\/code><\/pre>\n\n\n\n<\/figure>\n\n\n\n
Em seguida salve como listagem.csv<\/p>\n\n\n
\n<\/figure>\n<\/div>\n\n\n
Pronto voce tem um arquivo csv v\u00e1lido.<\/p>\n\n\n\n
Usando o Pandas<\/h2>\n\n\n\n<\/figure>\n\n\n\n
Pandas<\/strong> \u00e9 uma biblioteca do Python muito usada para an\u00e1lise e manipula\u00e7\u00e3o de dados<\/strong>. Ele facilita o trabalho com tabelas, planilhas e arquivos CSV, oferecendo estruturas como DataFrame<\/strong> (que parece uma tabela do Excel dentro do Python).<\/p>\n\n\n\n
O pandas<\/code> permite ler arquivos CSV<\/strong> com apenas um comando.<\/li>\n\n\n\n
Depois de carregado, os dados ficam em um DataFrame<\/strong>, onde podemos visualizar, filtrar, ordenar e at\u00e9 realizar c\u00e1lculos.<\/li>\n\n\n\n
\u00c9 uma das bibliotecas mais usadas em ci\u00eancia de dados e an\u00e1lise de dados<\/strong>.<\/li>\n<\/ul>\n\n\n\n\n\n\n\n
Exemplo em Python usando o listagem.csv<\/code>:<\/h3>\n\n\n\n
import pandas as pd\n\n# L\u00ea o arquivo CSV\ndf = pd.read_csv(\"listagem.csv\")\n\n# Exibe o conte\u00fado do arquivo\nprint(df)\n<\/code><\/pre>\n\n\n\n
\u2728 O c\u00f3digo faz o seguinte:<\/p>\n\n\n\n
\n
Importa o pandas<\/code>.<\/li>\n\n\n\n
Usa pd.read_csv()<\/code> para ler o arquivo chamado listagem.csv<\/strong>.<\/li>\n\n\n\n
Guarda os dados no DataFrame df<\/code>.<\/li>\n\n\n\n
Imprime todo o conte\u00fado do arquivo.<\/li>\n<\/ol>\n\n\n\n
\ud83d\udca1 Assim, voc\u00ea consegue transformar seu CSV em uma tabela bem estruturada para manipula\u00e7\u00e3o dentro do Python.<\/p>\n\n\n\n
Varrendo os registros de um CSV.<\/h2>\n\n\n\n
Depois de carregar o CSV no Pandas<\/strong>, voc\u00ea pode percorrer os registros linha a linha usando o m\u00e9todo iterrows()<\/code>. Assim, cada linha \u00e9 lida como um \u00edndice e uma s\u00e9rie de dados.<\/p>\n\n\n\n
\ud83d\udccc Aqui est\u00e1 a continua\u00e7\u00e3o do programa:<\/p>\n\n\n\n
import pandas as pd\n\n# L\u00ea o arquivo CSV\ndf = pd.read_csv(\"listagem.csv\")\n\n# Exibe todo o conte\u00fado do arquivo\nprint(\"Conte\u00fado completo do arquivo:\\n\")\nprint(df)\n\nprint(\"\\nVarredura linha a linha:\\n\")\n# Percorre cada linha do DataFrame\nfor index, row in df.iterrows():\n print(f\"Linha {index}: {row.to_dict()}\")\n<\/code><\/pre>\n\n\n\n\n\n\n\n
\u2728 O que esse c\u00f3digo faz<\/strong>:<\/p>\n\n\n\n\n
L\u00ea o listagem.csv<\/code> no DataFrame df<\/code>.<\/li>\n\n\n\n
Mostra o conte\u00fado completo.<\/li>\n\n\n\n
Varre linha por linha<\/strong> do DataFrame.<\/li>\n\n\n\n
Para cada linha, imprime um dicion\u00e1rio<\/strong> com os nomes das colunas e os valores.<\/li>\n<\/ol>\n\n\n\n
\ud83d\udccc Exemplo de sa\u00edda (supondo o CSV com nome,idade,cidade<\/code>):<\/p>\n\n\n\n
Quer que eu prepare uma vers\u00e3o onde, ao inv\u00e9s de imprimir o dicion\u00e1rio inteiro, j\u00e1 traga cada campo formatadinho, tipo: \ud83d\udc49 Maria - 25 anos - S\u00e3o Paulo<\/code>?<\/p>\n\n\n\n
Verificando informa\u00e7\u00f5es com PANDAS<\/h2>\n\n\n\n
Podemos deixar o programa interativo: ele pergunta ao usu\u00e1rio uma faixa de idade (m\u00ednimo e m\u00e1ximo)<\/strong> e depois filtra as pessoas do listagem.csv<\/code> que est\u00e3o dentro desse intervalo.<\/p>\n\n\n\n
Aqui est\u00e1 o c\u00f3digo:<\/p>\n\n\n\n
import pandas as pd\n\n# L\u00ea o arquivo CSV\ndf = pd.read_csv(\"listagem.csv\")\n\n# Pergunta ao usu\u00e1rio a faixa de idade\nidade_min = int(input(\"Digite a idade m\u00ednima: \"))\nidade_max = int(input(\"Digite a idade m\u00e1xima: \"))\n\n# Filtra os registros que est\u00e3o na faixa\nresultado = df[(df['idade'] >= idade_min) & (df['idade'] <= idade_max)]\n\n# Mostra o resultado\nprint(\"\\nPessoas dentro da faixa et\u00e1ria escolhida:\\n\")\nif resultado.empty:\n print(\"Nenhuma pessoa encontrada nessa faixa de idade.\")\nelse:\n for index, row in resultado.iterrows():\n print(f\"{row['nome']} - {row['idade']} anos - {row['cidade']}\")\n<\/code><\/pre>\n\n\n\n
\u2728 O que acontece aqui:<\/strong><\/p>\n\n\n\n\n
L\u00ea o CSV no DataFrame.<\/li>\n\n\n\n
Pede ao usu\u00e1rio a idade m\u00ednima e m\u00e1xima.<\/li>\n\n\n\n
Usa um filtro l\u00f3gico<\/strong> para selecionar apenas quem est\u00e1 entre os dois valores.<\/li>\n\n\n\n
Mostra o resultado de forma organizada.<\/li>\n<\/ol>\n\n\n\n
\ud83d\udccc Exemplo de sa\u00edda:<\/p>\n\n\n\n
<\/pre>\n\n\n\n
Digite a idade m\u00ednima: 20\nDigite a idade m\u00e1xima: 25\n\nPessoas dentro da faixa et\u00e1ria escolhida:\n\nMaria - 25 anos - S\u00e3o Paulo\nAna - 22 anos - Belo Horizonte\n<\/code><\/pre>\n\n\n\n
Outras funcionalidades do pandas<\/h2>\n\n\n\n
O Pandas<\/strong> \u00e9 super poderoso e tem muitas funcionalidades al\u00e9m de s\u00f3 ler e filtrar CSV. Vou te mostrar algumas das mais usadas com exemplos pr\u00e1ticos:<\/p>\n\n\n\n\n\n\n\n
\ud83d\udccc 1. Mostrar s\u00f3 algumas linhas<\/h3>\n\n\n\n
print(df.head()) # primeiras 5 linhas\nprint(df.tail()) # \u00faltimas 5 linhas\n<\/code><\/pre>\n\n\n\n\n\n\n\n
\ud83d\udccc 2. Ver informa\u00e7\u00f5es r\u00e1pidas do DataFrame<\/h3>\n\n\n\n
print(df.info()) # mostra colunas, tipos e nulos\nprint(df.describe()) # estat\u00edsticas (m\u00e9dia, desvio, min, max, etc.)\n<\/code><\/pre>\n\n\n\n\n\n\n\n
print(df['nome']) # apenas a coluna \"nome\"\nprint(df[['nome', 'idade']]) # duas colunas\n<\/code><\/pre>\n\n\n\n\n\n\n\n
\ud83d\udccc 4. Filtrar com condi\u00e7\u00f5es<\/h3>\n\n\n\n
# Pessoas acima de 25 anos\nprint(df[df['idade'] > 25])\n\n# Pessoas da cidade \"S\u00e3o Paulo\"\nprint(df[df['cidade'] == \"S\u00e3o Paulo\"])\n<\/code><\/pre>\n\n\n\n\n\n\n\n
\ud83d\udccc 5. Ordenar registros<\/h3>\n\n\n\n
print(df.sort_values(by=\"idade\")) # do mais novo para o mais velho\nprint(df.sort_values(by=\"idade\", ascending=False)) # do mais velho para o mais novo\n<\/code><\/pre>\n\n\n\n\n\n\n\n
\ud83d\udccc 6. Agrupar dados<\/h3>\n\n\n\n
# M\u00e9dia de idade por cidade\nprint(df.groupby(\"cidade\")[\"idade\"].mean())\n<\/code><\/pre>\n\n\n\n\n\n\n\n
# Quantas pessoas por cidade\nprint(df[\"cidade\"].value_counts())\n<\/code><\/pre>\n\n\n\n\n\n\n\n
\ud83d\udccc 8. Criar ou modificar colunas<\/h3>\n\n\n\n
# Criar coluna com idade em meses\ndf[\"idade_meses\"] = df[\"idade\"] * 12\nprint(df)\n<\/code><\/pre>\n\n\n\n\n\n\n\n
\ud83d\udccc 9. Exportar resultados<\/h3>\n\n\n\n
# Salvar em outro CSV\ndf.to_csv(\"resultado.csv\", index=False)\n<\/code><\/pre>\n\n\n\n\n\n\n\n
\u2728 Ou seja, o Pandas serve n\u00e3o s\u00f3 para ler arquivos CSV<\/strong>, mas tamb\u00e9m para explorar, analisar e transformar dados<\/strong> de forma r\u00e1pida e pr\u00e1tica.<\/p>\n\n\n\n
Buscar dados e analise dos dados.<\/h2>\n\n\n\n
Existem locais que se pode buscar dados abertos, em geral. O governo fornece diversas bases de dados para que seja utilizada por alunos e profissionais a fim de analise de dados.<\/p>\n\n\n\n
![\"\"](\"https:\/\/maurinsoft.com.br\/wp\/wp-content\/uploads\/2025\/08\/image-14.png\")
<\/figure>\n\n\n\n![\"\"](\"https:\/\/maurinsoft.com.br\/wp\/wp-content\/uploads\/2025\/08\/image-16.png\")
<\/figure>\n<\/div>\n\n\n![\"\"](\"https:\/\/maurinsoft.com.br\/wp\/wp-content\/uploads\/2025\/08\/image-18.png\")
<\/figure>\n\n\n\n