Entrar Ainda não tem acesso?
Solucionado (ver solução)

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!

Solucionado
(ver solução)
2
respostas

Desafio: salvando os dados filtrados

Referente ao curso Pandas: conhecendo a biblioteca, no capítulo Tratando e filtrando dados e atividade Desafio: salvando os dados filtrados

por Marcelo Braga Stahl
| 38.3k xp | 178 posts
Analista de Crédito Pleno

df1.to_csv('filtro_1.csv', index=False, sep=";")
df2.to_csv('filtro_2.csv', index=False, sep=";")

pd.read_csv('filtro_1.csv', sep=';')

Bairro	Quartos	Vagas	Suites	Area	Valor	Condominio	IPTU

0 Centro 1 0 0 15 800.0 390.0 20.0
1 Higienópolis 1 0 0 48 800.0 230.0 0.0
2 Tijuca 1 0 0 48 750.0 772.0 25.0
3 Centro 1 0 0 27 750.0 371.0 19.0
4 Centro 1 1 0 37 1100.0 540.0 900.0
... ... ... ... ... ... ... ... ...
494 Grajaú 1 0 1 37 1000.0 200.0 0.0
495 Pechincha 1 0 1 69 900.0 640.0 126.0
496 Glória 1 0 0 46 1100.0 453.0 32.0
497 Botafogo 1 0 0 21 1000.0 282.0 25.0
498 Tijuca 1 0 0 28 1000.0 360.0 25.0
499 rows × 8 columns

pd.read_csv('filtro_2.csv', sep=';')

Bairro	Quartos	Vagas	Suites	Area	Valor	Condominio	IPTU

0 Lins de Vasconcelos 3 1 1 90 1500.0 455.0 14.0
1 Tijuca 2 1 0 110 1900.0 700.0 138.0
2 Tijuca 2 1 0 78 2000.0 700.0 0.0
3 Botafogo 2 1 0 76 2500.0 740.0 0.0
4 Recreio dos Bandeirantes 3 1 1 105 2300.0 648.0 0.0
... ... ... ... ... ... ... ... ...
4454 Jacarepaguá 2 1 1 78 2200.0 790.0 180.0
4455 Barra da Tijuca 2 1 1 85 2250.0 1561.0 197.0
4456 Barra da Tijuca 3 2 0 98 2300.0 887.0 177.0
4457 Recreio dos Bandeirantes 3 2 1 88 1550.0 790.0 0.0
4458 Jacarepaguá 3 1 2 78 1800.0 800.0 40.0
4459 rows × 8 columns

2 respostas
solução!
por Daniel Nogueira
| 8211.1k xp | 7166 posts
Alura Scuba Team Analista de Suporte Educacional

Olá, Marcelo! Como vai?

Parabéns pela resolução da atividade!

Vi que você explorou o to_csv para exportar dados com Python, utilizou muito bem o read_csv para importar arquivos e ainda compreendeu a importância do separador personalizado para organizar corretamente as colunas.

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 parâmetro usecols ao ler arquivos CSV. Assim: 

pd.read_csv('filtro_1.csv', sep=';', usecols=['Bairro','Valor'])

Isso faz a leitura apenas das colunas desejadas, tornando o processo mais eficiente e focado.

Ah, uma pergunta: Você acha mais interessante neste momento focar em técnicas de exportação para organizar relatórios ou explorar parâmetros avançados de leitura para análises específicas?

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!
por Marcelo Braga Stahl
| 38.3k xp | 178 posts
Analista de Crédito Pleno

Você acha mais interessante neste momento focar em técnicas de exportação para organizar relatórios ou explorar parâmetros avançados de leitura para análises específicas? Explorar parametros avançados, pois assim você aprrendera como tornar mais limpa e rapida as analises, trazendo mais confiabilidade nos dados

Tópicos relacionados

Mostrar mais tópicos Mostrar menos tópicos

Conteúdos Alura com o tema

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

Graduação | Pós-graduação | MBA