import numpy as np
dt_data['preco'].fillna('0.0', inplace = True)
dt_data['preco'] = dt_data['preco'].apply(lambda x: x.replace('$', '').replace(',',''))
dt_data['preco'] = dt_data['preco'].astype(np.float64)
dt_data
import numpy as np
dt_data['preco'].fillna('0.0', inplace = True)
dt_data['preco'] = dt_data['preco'].apply(lambda x: x.replace('$', '').replace(',',''))
dt_data['preco'] = dt_data['preco'].astype(np.float64)
dt_data
Oi, Thamiris! Tudo bom?
Excelente! Siga praticando com os desafios e sempre compartilhe conosco.
Você soube aplicar um tratamento aos dados ausentes de forma eficiente, aproveitou o método apply para limpeza textual e entendeu como o casting com astype é essencial para análise numérica confiável.
Permaneça postando as suas soluções, com certeza isso ajudará outros estudantes e tem grande relevância para o fórum.
Como dica adicional, experimente utilizar pd.to_numeric() com errors='coerce' quando precisar converter strings em números com mais segurança. Assim:
dt_data['preco'] = pd.to_numeric(dt_data['preco'], errors='coerce')
Resultado: Coluna convertida para float64 com valores inválidos substituídos por NaN.
Com isso, você poderá evitar erros em casos de dados inesperados ou mal formatados.
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!