Desafio: bora praticar?

import pandas as pd # 1. Importação do arquivo CSV: url = 'https://raw.githubusercontent.com/alura-cursos/pandas-conhecendo-a-biblioteca/main/desafios/alunos.csv' dados = pd.read_csv(url) # 2. Visualização sas primeiras 7 linhas e das últimas 5: print("Primeiras 7 linhas:") print(dados.head(7)) print("\nÚltimas 5 linhas:") print(dados.tail(5)) # 3. Conferência de quantidade de linhas e de colunas: print("\nDimensões do DataFrame (linhas, colunas):") print(dados.shape) # 4. Exploração de colunas e de tipos de dados: print("\nColunas e tipos de dados:") print(dados.dtypes) # Extra: Estatísticas descritivas: print("\nEstatísticas descritivas:") print(dados.describe()) Primeiras 7 linhas: 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 Últimas 5 linhas: Nome Idade Notas Aprovado 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 Dimensões do DataFrame (linhas, colunas): (18, 4) Colunas e tipos de dados: Nome object Idade int64 Notas float64 Aprovado bool dtype: object Estatísticas descritivas: Idade Notas count 18.000000 12.000000 mean 25.500000 6.800000 std 6.070662 2.204953 min 18.000000 2.500000 25% 21.000000 5.450000 50% 24.500000 7.000000 75% 28.750000 8.250000 max 37.000000 10.000000

Olá, Andressa! Como vai?

Parabéns pela resolução bem estruturada!

Vi que você explorou o pandas para manipular dados em Python, utilizou muito bem o head e tail para visualizar partes do DataFrame e ainda compreendeu a importância da describe para obter estatísticas descritivas. Continue trazendo suas soluções, pois elas ajudam bastante outros estudantes e fortalecem a comunidade.

Uma dica interessante para o futuro é aplicar filtros diretamente no DataFrame para analisar subconjuntos de dados. Assim:

# Filtrar apenas alunos aprovados
aprovados = dados[dados['Aprovado'] == True]
print(aprovados)

Isso retorna apenas os registros dos alunos aprovados.

Se quiser aprofundar ainda mais, algumas boas práticas são:

Exploração: use .info() para verificar dados nulos e tipos.
Limpeza: trate valores ausentes com .fillna() ou .dropna().
Visualização: combine pandas com matplotlib para gráficos rápidos.

Conteúdos relacionados

Ah, uma pergunta: você prefere trabalhar com pandas para análises rápidas em DataFrames ou com SQL para consultas estruturadas em bancos de dados maiores?

Abraço e bons estudos!

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

Importante

Trilhas por carreira

Carreiras de IA

Carreiras de Dados

Carreiras de Cyber

Carreiras de DevOps & Cloud

Carreiras de UX & UI

Carreiras de Mobile & Front-End

Carreiras de Back-End

Carreiras de Negócios

Cursos universitários FIAP