Oi, Mateus! Tudo bom?
Excelente! Siga praticando com os desafios e sempre compartilhe conosco.
Você soube aplicar o carregamento de dados via URL de forma eficiente, aproveitou o pandas.read_csv()
para importar conteúdos diretamente da web e entendeu como o uso de links públicos do Google Sheets pode automatizar a leitura de dados.
Como dica adicional, experimente utilizar o parâmetro usecols
quando precisar carregar apenas algumas colunas específicas da planilha. Assim:
dados_2018 = pd.read_csv(url, usecols=['Country', 'Indicator Name', '2018'])
dados_2018.head(10)
Resultado:
index | Country | Indicator Name | 2018 |
---|
0 | Aruba | CO2 emissions (metric tons per capita) | NaN |
1 | Afghanistan | CO2 emissions (metric tons per capita) | 1.632.953 |
2 | Angola | CO2 emissions (metric tons per capita) | 777.674.934 |
3 | Albania | CO2 emissions (metric tons per capita) | 1.782.738.948 |
4 | Andorra | CO2 emissions (metric tons per capita) | 6.362.975.399 |
5 | United Arab Emirates | CO2 emissions (metric tons per capita) | 1.839.067.806 |
6 | Argentina | CO2 emissions (metric tons per capita) | 3.975.771.971 |
7 | Armenia | CO2 emissions (metric tons per capita) | 1.934.451.579 |
8 | American Samoa | CO2 emissions (metric tons per capita) | NaN |
9 | Antigua and Barbuda | CO2 emissions (metric tons per capita) | 5.296.940.139 |
Com isso, você poderá otimizar o tempo de leitura e o uso de memória a depender do que se deseja.
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!