Nesta aula, foram abordados conceitos de leitura e escrita de arquivos em Python e a manipulação de dados com o Pandas.

Agora é a sua chance de praticar os conteúdos vistos. Para isso:

Crie uma lista vazia para armazenar os resumos dos e-mails.
Utilize a função append para inserir cada resumo formatado via fString na lista.
Configure a função para retornar a lista populada após um loop de iterações.

import os,time,pandas as pd
from google.colab import userdata
from google import genai

os.environ['GOOGLE_API_KEY']=userdata.get('IA-Aplicada')
client=genai.Client()

emails=[
"Quero informações sobre o curso de Python.",
"Meu pedido está atrasado.",
"Não consigo acessar minha conta.",
"Quero cancelar minha assinatura."
]

def gerar_resumos():

    resumos=[]

    for email in emails:

        r=client.models.generate_content(
            model="gemini-2.5-flash",
            contents=f"Resuma em uma linha: {email}"
        )

        resumos.append(f"{email} - {r.text}")

        time.sleep(7)

    return resumos

resumos=gerar_resumos()

with open("lista-de-resumos.txt","w",encoding="utf-8") as arq:

    for item in resumos:
        arq.write(item+"\n")

print(resumos)

Implemente o with open com modo 'W' para criar e sobrescrever um arquivo .txt com os resumos.
Use write ou write lines com '\n' para separar cada entrada no arquivo.
Abra o arquivo em modo 'R' e leia suas linhas, salvando em uma nova lista com strip para remover quebras de linha.
Explore os métodos read, readline e readlines para diferentes formas de leitura em Python.

lista=[]

with open("lista-de-resumos.txt","r",encoding="utf-8") as arq:

    for linha in arq:
        lista.append(linha)

print(lista)

with open("lista-de-resumos.txt","r",encoding="utf-8") as arq:
    print(arq.read())

with open("lista-de-resumos.txt","r",encoding="utf-8") as arq:
    print(arq.readline())

with open("lista-de-resumos.txt","r",encoding="utf-8") as arq:
    print(arq.readlines())

with open("lista-de-resumos.txt","r",encoding="utf-8") as arq:
    lista2=[l.strip() for l in arq]

print(lista2)

Importe o Pandas utilizando o alias pd para manipulação de dados.
Construa um arquivo .csv manualmente, escrevendo o cabeçalho e as linhas com as chaves de cada dicionário.
Crie um DataFrame com a lista de dicionários e utilize o método to_csv para salvar o CSV com encoding UTF-8.

import pandas as pd

dados=[
    {
        "nome":"Eduardo",
        "cidade":"Recife"
    },
    {
        "nome":"Maria",
        "cidade":"Olinda"
    },
    {
        "nome":"João",
        "cidade":"Jaboatão"
    }
]

with open("dados.csv","w",encoding="utf-8") as arq:

    arq.write("nome,cidade\n")

    for item in dados:
        arq.write(f"{item['nome']},{item['cidade']}\n")

df=pd.DataFrame(dados)

df.to_csv(
    "dados2.csv",
    index=False,
    encoding="utf-8"
)

print(df.head())

Desenvolva um desafio para gerar um arquivo .txt a partir de uma lista de perguntas e depois lê-lo para criar uma lista.
Integre uma chamada ao LLM para obter respostas sucintas, associando cada pergunta com sua resposta e salvando o resultado final em um novo arquivo .csv.

perguntas=[
    "O que é Python?",
    "O que é IA?"
]

with open("perguntas.txt","w",encoding="utf-8") as arq:

    for p in perguntas:
        arq.write(p+"\n")

lista=[]

with open("perguntas.txt","r",encoding="utf-8") as arq:
    lista=[l.strip() for l in arq]

dados=[]

for pergunta in lista:

    r=client.models.generate_content(
        model="gemini-2.5-flash",
        contents=f"Responda resumidamente: {pergunta}"
    )

    dados.append({
        "pergunta":pergunta,
        "resposta":r.text
    })

    time.sleep(7)

with open("respostas.csv","w",encoding="utf-8") as arq:

    arq.write("pergunta,resposta\n")

    for item in dados:
        arq.write(f"{item['pergunta']},{item['resposta']}\n")

df2=pd.DataFrame(dados)

df2.to_csv(
    "respostas2.csv",
    index=False,
    encoding="utf-8"
)

print(df2.head())