Instalando, importando e conhecendo os dados

Instalar e importar

O Pandas 3 exige Python 3.11 ou superior. Dentro de um ambiente virtual (como no curso de NumPy):

uv add pandas pyarrow openpyxl

O pyarrow acelera textos e dá suporte ao formato Parquet, e o openpyxl lê e grava arquivos do Excel. Para o Pandas, o apelido pd é uma convenção tão forte quanto np é para o NumPy: toda documentação e toda resposta na internet o assumem.

import pandas as pd

print(int(pd.__version__.split(".")[0]) >= 3)

True

Para o terminal mostrar tabelas largas sem quebrar as linhas, eu ajusto a largura de exibição. É só a apresentação: não muda nenhum dado.

pd.set_option("display.width", 170)
pd.set_option("display.max_columns", 20)

O conjunto de dados do nível Básico

Do capítulo 4 ao 15, eu uso o mesmo conjunto, de propósito: você nunca reaprende o que cada coluna significa, só o que fazer com ela. São 15 funcionários de uma empresa, em dados/funcionarios_15.csv. A primeira leitura honesta:

df = pd.read_csv("dados/funcionarios_15.csv")
print(df.head(6))

   id_funcionario             nome      departamento          cidade  idade  salario  experiencia  nota_desempenho  projetos_concluidos data_admissao
0             101        Ana Souza        Engenharia       São Paulo   24.0     4500            1                4                    2    2021-01-10
1             102       Bruno Lima         Marketing  Belo Horizonte   25.0  R$ 4650            2                5                    3    2022-02-11
2             103     Carla Mendes       engenharia     Porto Alegre   26.0     4800            3                6                    4    2023-03-12
3             104      Diego Rocha  Ciência de Dados  Rio de Janeiro   27.0      NaN            4                7                    5    2024-04-13
4             105  Elisa Fernandes                RH             NaN   28.0     5100            5                8                    6    2021-05-14
5             106    Felipe Araújo         MARKETING       São Paulo   29.0     5250            6                9                    7    2022-06-15

Os problemas que estão escondidos

Este conjunto tem defeitos de propósito, e nenhum deles dá erro de leitura: o Pandas carrega tudo sem reclamar, e as contas rodam. Você só descobre se olhar. Eles são o assunto dos capítulos 9 e 10 (as linhas são contadas a partir de 0, como no índice do Pandas):

Uma contagem rápida mostra os ausentes sem precisar de uma linha de limpeza:

print(df.isna().sum())

id_funcionario         0
nome                   0
departamento           1
cidade                 2
idade                  1
salario                2
experiencia            0
nota_desempenho        0
projetos_concluidos    0
data_admissao          0
dtype: int64

Repare que o salario mostra apenas 2 ausentes, e não 4: as duas linhas com R$ 4650 e R$ 5550 não são vazias para o Pandas, são textos. Esse é exatamente o tipo de problema que uma conta que "roda sem erro" esconde.

Os arquivos de dados

Os CSVs foram gerados por um script determinístico (dados/gerar_dados.py), então a mesma execução produz sempre os mesmos arquivos. Se você apagar um por engano, rode o script de dentro da pasta dados/.