2
respostas

[Projeto] Desafio: 7 days of code

Um desafio interessante que achei é o “Python Pandas” oferecido no 7 Days of Code, criado pelo Francisco Foz.

Enunciado / Requisitos do desafio “Python Pandas” (resumido)

O desafio propõe trabalhar com dados de empréstimos de acervos da biblioteca da UFRN.
Alura

Os requisitos envolvem:

Importar / unificar datasets (dados de empréstimos + acervo).

Limpeza dos dados (tratamento de valores nulos, duplicações).

Análise exploratória: contagem de empréstimos, exemplar mais emprestado, distribuição temporal etc.

Trabalhar com datas (extrair dia, mês, ano) para comparar volumes ao longo do tempo.

Operações com arquivos JSON / Excel e uso de pivot tables.

Cálculos percentuais e exportação para HTML com formatação condicional.
Alura

Esse é um ótimo desafio se você já tem familiaridade com Python + pandas + análise de dados.

Se preferir algo mais “fácil” (nível introdutório) ou orientado a APIs / backend / frontend, posso sugerir outro desafio dentro do 7 Days of Code que combine mais com seu perfil (tecnologias / IA / APIs).

Você quer seguir com esse “Python Pandas” ou prefere outro desafio? Se escolher esse, seguimos com:

2️⃣ Orientações de como abordar o desafio

Aqui está uma estrutura de abordagem com dicas:

Entendimento e planejamento

Leia o enunciado completo e liste os subtarefas (importar dados, limpeza, análise, exportação, etc.).

Defina o fluxo de dados: quais arquivos existem, como serão combinados, quais variáveis serão úteis.

Importação e união dos dados

Use pandas.read_csv, read_excel, read_json conforme o formato dos dados.

Use merge, concat ou outras funções para unir os datasets.

Opte por inner, left ou outer dependendo do critério de combinação.

Limpeza de dados

Identifique valores nulos ou ausentes: df.isnull().sum().

Remova duplicatas: df.drop_duplicates().

Ajuste tipos de dados: converter colunas para datetime, int, str, etc.

Análise exploratória (EDA)

Use value_counts(), groupby(), describe(), histogramas e gráficos com Matplotlib / Seaborn.

Para datas: extrair dt.year, dt.month, dt.day e agrupar.

Operações avançadas

Pivot tables (df.pivot_table) para reorganizar os dados (ex: cursos por ano).

Calcular diferenças percentuais: (novo_valor - valor_antigo) / valor_antigo * 100.

Exportar para HTML com formatação condicional: pode usar df.to_html() e pós-processar (adicionar tags CSS ou estilos inline).

Validação e ajustes

Teste com subconjuntos menores de dados.

Verifique se os resultados fazem sentido. Ex: muito pouco número de empréstimos em determinados meses pode indicar erro.

Documente seu processo: anotações, comentários no código.

Entrega / apresentação

Organize o código em funções ou scripts claros.

Coloque instruções de uso (README).

Se possível, publique no GitHub ou Vitrine para que outros vejam.

Garanta sua matrícula hoje e ganhe + 2 meses grátis

Continue sua jornada tech com ainda mais tempo para aprender e evoluir

Quero aproveitar agora
2 respostas

Oi, Afonso! Como vai?

Agradeço por compartilhar suas reflexões e aprendizados com a comunidade Alura.

Gostei muito da sua escolha do desafio Python Pandas. É uma excelente forma de praticar análise de dados e aplicar recursos como limpeza, transformação e exportação de informações. Além disso, você estruturou muito bem as etapas do desafio — isso mostra organização e clareza no seu processo de aprendizado.

Continue explorando esse tipo de prática com a IA como aliada, usando-a para revisar seu código e buscar soluções criativas.
Uma dica: ao longo do desafio, registre as etapas no seu repositório (ex.: anotações ou README). Isso ajuda a consolidar o aprendizado e valoriza o portfólio.

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

obrigado pela orientação que você sempre me passa , tem ajudado muito