Desafio: trabalhando em outros contextos

Projeto desafio 1: vendas online

dados['Data de venda'] = pd.to_datetime(dados['Data de venda'], format='%d/%m/%Y')

dados

dados.info()

total_compras = dados.groupby(['Cliente'])['Valor da compra'].sum()

total_compras

Projeto desafio 2: administração de condomínios

dados['datas_combinadas_pagamento'] = pd.to_datetime(dados['datas_combinadas_pagamento'], format='%d/%m/%Y')

dados['datas_de_pagamento'] = pd.to_datetime(dados['datas_de_pagamento'], format='%d/%m/%Y')

dados

dados['atraso'] = (dados['datas_de_pagamento'] - dados['datas_combinadas_pagamento']).dt.days

media_atraso = dados.groupby(['apartamento'])['atraso'].mean()

media_atraso

Bom dia, Thamiris! Como está?

Incrível! Continue resolvendo os desafios e compartilhando com a comunidade Alura.

Notei que você utilizou o pd.to_datetime() para padronizar datas, aplicou de forma eficaz o groupby() para agregar dados por cliente e compreendeu a importância do cálculo de diferenças com .dt.days para mensurar atrasos de pagamento.

Um próximo passo interessante seria explorar o uso de filtros com query() para analisar apenas clientes com atraso médio acima de determinado limite. Veja o exemplo:

media_atraso[media_atraso > 5]

Isso permite identificar rapidamente quais apartamentos mais atrasam, o que pode ser muito útil para a gestão condominial.

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!