Adaptando os Desafios à Minha Realidade Profissional
Ao realizar os desafios propostos nesta etapa do curso, percebi que ainda estou construindo minha compreensão sobre a lógica do Pandas e sobre a forma como os diferentes métodos são combinados para responder perguntas a partir dos dados.
Embora os exemplos apresentados pela Alura estejam contextualizados no mercado imobiliário, minha experiência profissional está diretamente relacionada à gestão educacional. Por esse motivo, utilizei o apoio da Inteligência Artificial para adaptar os desafios ao contexto escolar, tornando os conceitos mais acessíveis e significativos para minha aprendizagem.
A adaptação manteve exatamente os mesmos objetivos de análise de dados propostos no curso, substituindo apenas o contexto dos imóveis por uma situação pedagógica mais próxima da minha realidade profissional.
Base de Dados Hipotética
A base contém 20 estudantes distribuídos em diferentes turmas.
| Aluno | Turma | Nota |
|---|---|---|
| Alice | 6A | 8.5 |
| Amanda | 6A | 7.0 |
| Ana | 6A | 9.0 |
| Beatriz | 6B | 6.5 |
| Bianca | 6B | 7.5 |
| Bruna | 6B | 10.0 |
| Camila | 7A | 8.0 |
| Carolina | 7A | 5.5 |
| Clara | 7A | 9.5 |
| Daniel | 7A | 6.0 |
| Eduardo | 7B | 7.8 |
| Felipe | 7B | 8.2 |
| Gabriel | 7B | 4.5 |
| Gustavo | 7B | 7.3 |
| Helena | 8A | 9.8 |
| Isabela | 8A | 8.7 |
| João | 8A | 6.8 |
| Júlia | 8A | 9.1 |
| Lucas | 8B | 7.4 |
| Maria | 8B | 8.9 |
Desafio 1
Calcular a média das notas dos estudantes
No desafio original, a Alura solicita calcular a média de quartos dos imóveis.
Na adaptação educacional, calcularemos a média das notas dos estudantes.
Código:
df['Nota'].mean()
Resultado:
7.80
Interpretação:
A média geral da turma é aproximadamente 7,8.
Desafio 2
Verificar quantas turmas diferentes existem na base
No desafio original, a proposta era identificar quantos bairros únicos existiam.
Na adaptação educacional, queremos saber quantas turmas diferentes existem.
Código:
df['Turma'].nunique()
Resultado:
6
Turmas encontradas:
6A
6B
7A
7B
8A
8B
Interpretação:
A base possui seis turmas diferentes.
Desafio 3
Identificar quais turmas possuem as maiores médias de desempenho
No desafio original, a proposta era descobrir quais bairros possuíam os maiores valores médios de aluguel.
Na adaptação educacional, queremos descobrir quais turmas apresentam as maiores médias de nota.
Código:
df.groupby('Turma')[['Nota']].mean().sort_values(
'Nota',
ascending=False
)
Resultado:
| Turma | Média |
|---|---|
| 8A | 8.60 |
| 6B | 8.00 |
| 8B | 8.15 |
| 6A | 8.17 |
| 7A | 7.25 |
| 7B | 6.95 |
Interpretação:
A turma 8A apresenta a maior média de desempenho da base analisada.
Desafio 4
Criar um gráfico com as cinco turmas que apresentam as maiores médias
No desafio original, a Alura solicita um gráfico com os cinco bairros que possuem os maiores valores médios de aluguel.
Na adaptação educacional, construiremos um gráfico com as cinco turmas que apresentam as maiores médias de nota.
Primeiro, selecionamos as cinco maiores médias:
df_turmas = (
df.groupby('Turma')[['Nota']]
.mean()
.sort_values(
'Nota',
ascending=False
)
.head()
)
Em seguida, geramos o gráfico:
df_turmas.plot(
kind='barh',
figsize=(14,10),
color='blue'
)
Resultado esperado:
- 8A
- 6A
- 8B
- 6B
- 7A
Interpretação:
O gráfico permite comparar rapidamente o desempenho médio das turmas, identificando quais grupos apresentam os melhores resultados acadêmicos.
Aprendizagens Consolidadas
A adaptação dos desafios para um contexto educacional permitiu compreender de forma mais significativa os principais métodos apresentados nesta etapa do curso:
mean()→ calcular médias;nunique()→ contar valores únicos;groupby()→ agrupar dados;sort_values()→ ordenar resultados;head()→ selecionar os primeiros registros;plot()→ gerar gráficos.
Mais do que reproduzir comandos, essa atividade permitiu compreender a lógica da análise exploratória de dados, identificando como o Pandas pode ser utilizado para responder perguntas relevantes a partir de uma base de informações.
Conte com o apoio da comunidade Alura na sua jornada. Abraços e bons estudos!