[Desafio]: trabalhando em outros contextos | Pandas: transformação e manipulação de dados

df_def1['Data de venda'] = pd.to_datetime(df_def1['Data de venda']) df_def1_final = df_def1.groupby([df_def1['Data de venda'].dt.strftime('%m-%d'), 'Cliente'])['Valor da compra'].sum() df_def1_final col_date = ['datas_de_pagamento', 'datas_combinadas_pagamento'] df_def2[col_date] = df_def2[col_date].map(lambda x: pd.to_datetime(x, format='%d/%m/%Y')) df_def2['atraso'] = (df_def2['datas_de_pagamento'] - df_def2['datas_combinadas_pagamento']).dt.days df_def2_atraso = df_def2.groupby('apartamento')['atraso'].mean() df_def2_atraso

Olá, Luan! Como vai?

Parabéns pela resolução da atividade!

Observei que você explorou o uso do pd.to_datetime() para converter corretamente as datas, utilizou muito bem o agrupamento com groupby() e sum() para consolidar os valores de compra e ainda compreendeu a importância de calcular a média de atrasos entre as datas.

Permaneça postando as suas soluções, com certeza isso ajudará outros estudantes e tem grande relevância para o fórum.

Para saber mais:

Sugestão de conteúdo para você mergulhar ainda mais sobre o tema:

[Documentação] - pandas.to_datetime

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!

Garanta sua matrícula hoje e ganhe + 2 meses grátis