Introdução

Curso de Pandas

Do CSV sujo às respostas, em três níveis, com os dados incluídos, código verificado por execução e três projetos completos.

Por Alexsander Valente

Para quem é este material

O Pandas é a ferramenta que transforma uma planilha bagunçada em uma resposta. Quase toda análise de dados em Python começa com ele: carregar um CSV, descobrir o que está errado, limpar, perguntar e resumir. Este curso continua o Curso de NumPy: aqui o array ganha rótulos, colunas de tipos diferentes e a capacidade de lidar com dados ausentes.

Eu organizei as notas em seis partes. Todas usam os mesmos conjuntos de dados, que acompanham o curso, e cada ideia aparece primeiro como intuição e depois como código que você executa.

Parte	Para quem	O que você sabe fazer no final
Ambiente	Quem acabou de chegar do NumPy	Entender o que é um `DataFrame` por dentro e instalar tudo
Básico	Quem nunca analisou dados em Python	Carregar, inspecionar, selecionar, filtrar, limpar, criar colunas, ordenar e agrupar
Intermediário	Quem já faz análises simples	Juntar tabelas, reformatar, trabalhar com datas, textos e categorias
Avançado	Quem escreve análises que precisam ser rápidas e corretas	Desempenho, memória, encadeamento de métodos, arquivos grandes e testes de dados
Projetos	Quem quer provar que aprendeu	Entregar três projetos com testes, um por nível

Se você nunca viu NumPy, faça antes ao menos os capítulos 5 a 14 do Curso de NumPy. Aqui eu assumo que você sabe o que é um array, o que é vetorização e o que é um dtype.

O curso original, e o que eu fiz com ele

Este curso parte de um curso que cobre sete assuntos (de "por que o Pandas" até agrupamento) e que avisa, de propósito, que junção de tabelas, reformatação e séries temporais ficam para outro dia. Eu mantive os sete assuntos, na mesma ordem e com o mesmo conjunto de dados (traduzido para o português, com valores em reais), e acrescentei o que faltava para o trabalho real, nos níveis Intermediário e Avançado. Onde o código do curso original quebra ou ensina um hábito que o Pandas 3 desencoraja, eu mostro o problema com uma execução real.

Como cada capítulo funciona

A saída é real. Eu executei cada trecho e copiei o que o Python imprimiu. Isso vale para o Pandas 3.0, a versão que o curso assume. Em versões 2.x, algumas saídas mudam (principalmente o tipo str para texto).
Cada bloco diz onde está. No topo de cada trecho aparece o arquivo e as linhas do repositório (por exemplo, basico/cap13_agrupar_e_agregar.py), e você pode executá-lo sozinho.
Os dados acompanham o curso. Os capítulos leem arquivos CSV da pasta dados/, que estão no repositório. Execute os arquivos a partir da raiz do repositório.
Os exercícios têm solução. Tente primeiro. A solução fica recolhida e termina com assert, então você descobre sozinho se acertou.

Os conjuntos de dados

Arquivo	Linhas	Para que serve
`funcionarios_15.csv`	15	O conjunto do curso, traduzido, com problemas escondidos de propósito. Usado no nível Básico
`funcionarios_100.csv`	104	Uma versão maior e mais suja (ids repetidos, datas em dois formatos). Usada nos níveis seguintes
`clientes.csv`, `produtos.csv`, `pedidos.csv`	60, 20 e 800	Um modelo de vendas em três tabelas, para junção, reformatação e séries temporais

O repositório

Estrutura do repositório

pandas-notes/
  README.md
  pyproject.toml
  docs/
    pandas-notes.html
  dados/
  ambiente/
  basico/
  intermediario/
  avancado/
  projetos/

Cada pasta de nível tem um README.md (objetivo, ambiente, dicionário dos dados) e um roteiro de gravação. Para começar, a partir da raiz do repositório:

Terminal

uv venv
uv sync
uv run basico/cap04_series.py

Versões que o curso assume

Python 3.11 ou superior (o Pandas 3 exige isso) e Pandas 3.0. O código também usa o pyarrow, que o Pandas 3 aproveita para guardar textos e para ler e gravar o formato Parquet:

Terminal

uv add pandas pyarrow openpyxl

Uma regra que eu repito neste curso

Pense em colunas, e não em linhas. Quando você escrever um for sobre as linhas de um DataFrame, pare e pergunte se existe uma operação sobre a coluna inteira. Quase sempre existe, e ela é mais curta, mais rápida e mais difícil de errar. O mesmo instinto do NumPy vale aqui, com um acréscimo: desconfie dos dados antes de confiar nas contas. Um mean() que roda sem erro sobre uma coluna que o Pandas leu como texto não é uma análise, é um erro silencioso.