Importante

Você está vendo a versão anterior da nova experiência da Alura que estamos preparando para você. Em breve, ela ganha uma identidade visual novinha totalmente pensada em potencializar seus estudos!

1
resposta

Desafio: bora praticar?

1-
dados.isnull()
dados.isnull().sum()
dados.fillna(0)

Nome Idade Notas Aprovado
0 Ary 20 7.5 True
1 Ana 18 0.0 False
2 Cátia 27 2.5 False
3 Denis 18 5.0 False
4 Beto 21 10.0 True
5 Bruna 23 0.0 False
6 Dara 21 7.0 True
7 Carlos 19 6.0 True
8 Alice 35 5.6 False
9 Vitor 28 0.0 False
10 Daniel 21 0.0 False
11 Igor 24 4.5 False
12 Sthefanie 26 9.5 True
13 Mirla 25 9.0 True
14 Paulo 37 0.0 False
15 Mylena 29 7.0 True
16 Lucas 33 0.0 False
17 Nadia 34 8.0 True

2-
dados.query('Nome.isin(["Alice", "Carlos"])').index
nomes_tirar = dados.query('Nome.isin(["Alice", "Carlos"])').index
dados.drop(nomes_tirar, inplace=True)
dados.head(17)

Nome	Idade	Notas	Aprovado

0 Ary 20 7.5 True
1 Ana 18 NaN False
2 Cátia 27 2.5 False
3 Denis 18 5.0 False
4 Beto 21 10.0 True
5 Bruna 23 NaN False
6 Dara 21 7.0 True
9 Vitor 28 NaN False
10 Daniel 21 NaN False
11 Igor 24 4.5 False
12 Sthefanie 26 9.5 True
13 Mirla 25 9.0 True
14 Paulo 37 NaN False
15 Mylena 29 7.0 True
16 Lucas 33 NaN False
17 Nadia 34 8.0 True

3-
alunos_aprovados
Nome Idade Notas Aprovado
0 Ary 20 7.5 True
4 Beto 21 10.0 True
6 Dara 21 7.0 True
12 Sthefanie 26 9.5 True
13 Mirla 25 9.0 True
15 Mylena 29 7.0 True
17 Nadia 34 8.0 True

Extra
dados['Notas'].replace(7.0, 8.0, inplace=True)
Nome Idade Notas Aprovado
0 Ary 20 7.5 True
1 Ana 18 NaN False
2 Cátia 27 2.5 False
3 Denis 18 5.0 False
4 Beto 21 10.0 True
5 Bruna 23 NaN False
6 Dara 21 8.0 True
9 Vitor 28 NaN False
10 Daniel 21 NaN False
11 Igor 24 4.5 False
12 Sthefanie 26 9.5 True
13 Mirla 25 9.0 True
14 Paulo 37 NaN False
15 Mylena 29 8.0 True
16 Lucas 33 NaN False
17 Nadia 34 8.0 True

1 resposta

Olá, Marcelo! Como vai?

Parabéns pela resolução da atividade!

Vi que você explorou o tratamento de valores nulos para organizar dados com Python, utilizou muito bem o query para filtrar registros e ainda compreendeu a importância da substituição de valores para ajustar métricas.

Continue postando as suas soluções, com certeza isso ajudará outros estudantes e tem grande relevância para o fórum.

Uma dica interessante para o futuro é aplicar o método dropna() em situações específicas. Assim:

dados.dropna(subset=['Notas'], inplace=True)

Isso faz com que apenas as linhas com valores válidos na coluna "Notas" sejam mantidas, garantindo análises mais consistentes.

Ah, uma pergunta: Você acha mais interessante focar em técnicas de limpeza de dados para análises mais robustas ou explorar consultas avançadas para manipular subconjuntos específicos?

Fico à disposição! E se precisar, conte sempre com o apoio do fórum.

Abraço e bons estudos!

AluraConte com o apoio da comunidade Alura na sua jornada. Abraços e bons estudos!