1. Criação e Manipulação de DataFrames
Aprendemos a criar DataFrames utilizando o Pandas, organizando informações em linhas e colunas. Também vimos como adicionar, visualizar e manipular dados de forma estruturada.
Exemplo:
import pandas as pd
dados = {
"Produto": ["Notebook", "Mouse", "Teclado"],
"Preço": [3500, 120, 250]
}
df = pd.DataFrame(dados)
print(df)
2. Utilização do NumPy
Utilizamos o NumPy para gerar números aleatórios e preencher DataFrames com dados simulados, facilitando testes e análises.
Exemplo:
import numpy as np
vendas = np.random.randint(10, 100, size=5)
print(vendas)
3. Acesso e Filtragem de Dados
Aprendemos a acessar colunas específicas e aplicar filtros para selecionar apenas os registros desejados.
Exemplo:
df["Preço"]
Filtrando produtos acima de R$ 200:
df[df["Preço"] > 200]
4. Operadores de Comparação e Lógicos
Utilizamos operadores como:
==(igual)!=(diferente)>(maior)<(menor)&(E)|(OU)
Exemplo:
df[(df["Preço"] > 100) & (df["Preço"] < 1000)]
5. Seleção com loc e iloc
loc: seleciona utilizando rótulos.
df.loc[0]
iloc: seleciona utilizando índices numéricos.
df.iloc[0]
6. Carregamento de Arquivos CSV
Aprendemos a importar dados externos utilizando o Pandas.
df = pd.read_csv("dados.csv")
Visualização inicial:
df.head()
7. Análise de Sentimentos com LLMs
Foi demonstrado como utilizar modelos de linguagem para classificar textos em categorias como:
- Positivo
- Negativo
- Neutro
Essa técnica é útil para analisar avaliações de clientes, comentários e feedbacks.
Exemplo conceitual:
def analisar_sentimento(texto):
# chamada ao modelo de linguagem
return "Positivo"
8. Adição de Novas Colunas
Após a análise dos dados, aprendemos a criar novas colunas para armazenar resultados.
df["Sentimento"] = resultados
Isso permite enriquecer o conjunto de dados com informações geradas por algoritmos ou modelos de IA.
Conclusão
Ao final da aula, você aprendeu a:
✅ Criar e manipular DataFrames com Pandas.
✅ Gerar dados utilizando NumPy.
✅ Filtrar e selecionar informações com condições.
✅ Utilizar os métodos loc e iloc.
✅ Importar arquivos CSV.
✅ Integrar análises de sentimentos com modelos de linguagem.
✅ Adicionar novas colunas aos DataFrames para armazenar resultados das análises.
Essas habilidades são fundamentais para projetos de Ciência de Dados, Inteligência Artificial, Machine Learning e Análise de Negócios, permitindo transformar dados brutos em informações úteis para tomada de decisão.
Conteúdo relacionado:
Conte com o apoio da comunidade Alura na sua jornada. Abraços e bons estudos!