import pandas as pd
url= 'https://raw.githubusercontent.com/alura-cursos/Pandas/main/dados_sus.csv'
dados = pd.read_csv(url, encoding='ISO-8859-1', sep = ';', skiprows = [0, 1, 2], skipfooter = 9, engine='python')
dados
dados.head()
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
import pandas as pd
url= 'https://raw.githubusercontent.com/alura-cursos/Pandas/main/dados_sus.csv'
dados = pd.read_csv(url, encoding='ISO-8859-1', sep = ';', skiprows = [0, 1, 2], skipfooter = 9, engine='python')
dados
dados.head()
E aí, Ronildo! Tudo bem?
Parabéns! Mantenha o ritmo nos exercícios e continue compartilhando na nossa comunidade.
Percebi que você praticou o uso de parâmetros avançados do read_csv(), aplicou muito bem o skiprows e skipfooter para limpar o cabeçalho e rodapé do arquivo e ainda entendeu a relevância de definir o encoding corretamente para ler dados com acentuação e caracteres especiais.
Uma sugestão para evoluir ainda mais é usar o parâmetro usecols com o objetivo de selecionar apenas as colunas necessárias logo na leitura do CSV. Veja só:
dados = pd.read_csv(url, encoding='ISO-8859-1', sep=';', skiprows=[0, 1, 2], skipfooter=9, engine='python', usecols=['Município', 'Total'])
Resultado: Retorna um DataFrame apenas com as colunas 'Município' e 'Total'.
Essa abordagem ajuda a economizar memória e agiliza o carregamento dos dados, especialmente em 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!