1
resposta

Mão na massa: Zoop Pay

Prompt

chat utilizando a linguagem, Python e a biblioteca Pandas preciso que vc leia três bases de dados denonimadas com a seguinte variaveis url_clientes / url_vendas / url_zoop_pay estes que estao em csv. E visualize as 5 primeiras linhas , sem utilizar print

# Leitura das bases
clientes = pd.read_csv(url_clientes)
vendas = pd.read_csv(url_vendas)
zoop_pay = pd.read_csv(url_zoop_pay)

# Visualização das 5 primeiras linhas de cada base
clientes.head(), vendas.head(), zoop_pay.head()

Prompt

E entao crie uma única tabela, concatenando-as: primeiro concatenar os dados de clientes e vendas em uma tabela com o nome df e, por fim, concatenar essa nova tabela com a base dos clientes pré-cadastrados no Zoop Pay, gerando assim a tabela consolidada com todos os dados.

# 1️⃣ Concatenação clientes + vendas
df = pd.concat([clientes, vendas], axis=0, ignore_index=True)

# 2️⃣ Concatenação do df com zoop_pay
df = pd.concat([df, zoop_pay], axis=0, ignore_index=True)

# Visualização da base consolidada
df.head()
1 resposta

Oi, Adriely! Como vai?

Agradeço por compartilhar seu código com a comunidade Alura.

Gostei de como você estruturou os prompts e organizou a leitura das bases antes da concatenação. A utilização de head() sem print também está correta para ambientes como Jupyter Notebook, onde o próprio objeto já exibe o resultado.

Uma dica interessante para o futuro é verificar se as colunas das bases são iguais antes de concatenar, evitando desalinhamento. Veja este exemplo:


print(clientes.columns)
print(vendas.columns)
print(zoop_pay.columns)

Esse código mostra o nome das colunas de cada DataFrame e ajuda a garantir que a concatenação com pd.concat() não gere valores NaN inesperados. Isso torna sua análise mais confiável.

Qualquer dúvida que surgir, compartilhe no fórum. Abraços e bons estudos!

Alura

Conte com o apoio da comunidade Alura na sua jornada. Abraços e bons estudos!