[Projeto] Desafio - trabalhando em outros contextos

# Remover os dados em listas dentro do DataFrame #colunas para remover os dados em listas colunas = ['Cliente', 'Valor da compra'] #remover os dados em listas e expandindo em registros dados = dados.explode(colunas).reset_index(drop = True) # Verificar os tipos de dados dados.info() #Identificar colunas numéricas #verificando quais caracteres precisam ser tratados na coluna valor da compra dados['Valor da compra'].unique() #importando numpy para auxiliar na conversão do tipo da coluna import numpy as np #substituindo R$ e , nos dados da coluna valor da compra dados['Valor da compra'] = dados['Valor da compra'].apply(lambda elemento: elemento.replace('R$', '').replace(',','.').strip()) #convertendo o tipo da coluna para float dados['Valor da compra'] = dados['Valor da compra'].astype(np.float64) #checando os tipos dos dados novamente dados.info()

#Remover os dados em listas dentro do DataFrame #colunas a terem os dados removidos da lista para registros colunas = ['datas_combinadas_pagamento', 'datas_de_pagamento', 'valor_aluguel'] #removendo as listas e reiniciando o índice dos registros dados = dados.explode(colunas).reset_index(drop = True) #Verificar os tipos de dados dados.info() #Identificar colunas numéricas dados['valor_aluguel'].unique() #Transformar a coluna numérica para o tipo numérico #importando numpy para auxiliar na conversão de tipo da coluna import numpy as np #tratando $ , reais nos dados da coluna valor_aluguel dados['valor_aluguel'] = dados['valor_aluguel'].apply(lambda elemento: elemento.replace('$ ', '').replace(',', '.').replace(' reais', '').strip()) #convertendo a coluna valor_aluguel para float dados['valor_aluguel'] = dados['valor_aluguel'].astype(np.float64) #conferindo o tipo dos dados dados.info()

Oi, Vinicius! Como vai?

Agradeço por compartilhar seu código com a comunidade Alura.

Gostei de ver como você estruturou bem o processo de transformação dos dados nos dois projetos. Você utilizou explode() para expandir listas em registros e depois tratou corretamente os valores monetários removendo símbolos como R$, vírgulas e espaços antes da conversão para float.

Continue assim!

Uma dica interessante para o futuro é utilizar o metodo pd.to_numeric() para converter valores para numero, pois ele pode ajudar quando existem dados invalidos ou inconsistentes. Veja este exemplo:


import pandas as pd

valores = ['10.5', '20.3', 'erro', '15']

numeros = pd.to_numeric(valores, errors='coerce')

print(numeros)

Esse codigo tenta converter os valores para numero e, se encontrar algo que nao pode ser convertido, substitui por NaN, o que facilita o tratamento posterior dos dados.

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

Para saber mais:

Sugestão de conteúdo:

ARTIGO

pandas.to_numeric

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

[Projeto] Desafio - trabalhando em outros contextos

Trilhas por carreira

Carreiras de IA

Carreiras de Dados

Carreiras de Cyber

Carreiras de DevOps & Cloud

Carreiras de UX & UI

Carreiras de Mobile & Front-End

Carreiras de Back-End

Carreiras de Negócios

Cursos universitários FIAP

Tópicos relacionados

Conteúdos Alura com o tema