import pandas as pd
# Carregar o arquivo JSON
df = pd.read_json('moveis_disponiveis.json')
df
df['preco'] = df['preco'].fillna('0.0')
df['preco'] = df['preco'].replace(r'[\$,]', '', regex=True).astype('float64')
df.tail()
import pandas as pd
# Carregar o arquivo JSON
df = pd.read_json('moveis_disponiveis.json')
df
df['preco'] = df['preco'].fillna('0.0')
df['preco'] = df['preco'].replace(r'[\$,]', '', regex=True).astype('float64')
df.tail()
Olá! Como vai?
Muito bem! Continue resolvendo os desafios e compartilhando com a comunidade Alura.
Observei que você explorou o uso do fillna() para lidar com valores ausentes na coluna de preços, utilizou muito bem o replace() com expressões regulares para limpar os dados e ainda compreendeu a importância do casting com astype() para garantir a consistência dos tipos de dados numéricos.
Uma dica interessante para o futuro é usar head() e tail() com um parâmetro para inspecionar rapidamente os dados do DataFrame**. Dessa forma:
print(df.head(3)) # Mostra as 3 primeiras linhas
print(df.tail(3)) # Mostra as 3 últimas linhas
Resultado: As primeiras e últimas linhas do DataFrame serão exibidas, facilitando uma visão geral dos dados.
Isso ajuda a entender a estrutura inicial e final do seu conjunto de dados sem precisar imprimir tudo, sendo especialmente útil com arquivos grandes.
Para saber mais:
Sugestão de conteúdo para você mergulhar ainda mais sobre o tema:
Alguns materiais estão em inglês, mas é possível compreendê-los usando o recurso de tradução de páginas do próprio navegador.
Fico à disposição! E se precisar, conte sempre com o apoio do fórum.
Abraço e bons estudos!
Conte com o apoio da comunidade Alura na sua jornada. Abraços e bons estudos!