https://colab.research.google.com/drive/1h1DB9tKFQnuF7vzJoVTVd0Rb35aNX5Fz?usp=sharing
**Foi realizado o carregamento dos dados diretamente de uma fonte externa (GitHub) utilizando a biblioteca Pandas, seguido de uma análise inicial da estrutura do DataFrame.
Em seguida, foi feita a verificação de valores nulos, identificando ausência de dados nas colunas de temperatura e sensação térmica. Considerando que os dados possuem natureza temporal, optei por aplicar interpolação linear para preencher os valores ausentes, evitando a perda de informações e mantendo a continuidade da série.
Também foram identificados registros duplicados, o que não é esperado em dados coletados por hora. Dessa forma, os duplicados foram removidos para garantir a consistência do conjunto de dados.
Após o tratamento, o dataset resultante apresenta dados mais limpos e confiáveis, sendo adequado para análises e modelagens futuras.
Durante o processo, utilizei a IA como suporte para validar boas práticas e estruturar melhor o código, mantendo o foco na compreensão das etapas de tratamento de dados.**
