Solucionado
Nesta atividade, pratiquei leitura e escrita de arquivos em Python, utilizando listas, funções e laços para armazenar e persistir dados em arquivos .txt. Também explorei diferentes formas de leitura com read, readline e readlines. Em seguida, trabalhei com dados tabulares por meio do pandas, criando arquivos CSV manualmente e também com DataFrame e to_csv. Por fim, integrei uma chamada a LLM para responder perguntas de forma sucinta, associando perguntas e respostas em um novo arquivo CSV.
Oii, Leandro.
Meus parabéns por concluir essa atividade prática integrando arquivos e pandas. É empolgante ver como você percorreu desde a manipulação básica de textos até a integração com modelos de linguagem (LLM).
Sua trajetória demonstra um amadurecimento técnico sólido. Começar pelo controle manual de arquivos .txt com read e readlines ajuda a compreender como os dados são estruturados fisicamente. Evoluir para o uso do Pandas para gerenciar DataFrames e exportar arquivos CSV é o caminho ideal para quem trabalha com Inteligência Artificial, pois garante agilidade e organização no tratamento de grandes volumes de informação.
Pra fortalecer ainda mais sua jornada na IA Aplicada, vale notar que, ao trabalhar com CSVs no Pandas, o parâmetro index=False no método to_csv costuma ser muito útil para evitar que uma coluna extra de índices sem nome seja criada no seu arquivo final. Você pode explorar mais técnicas de otimização na documentação oficial do Pandas IO.
Você notou alguma diferença na velocidade ou na facilidade de manipulação ao comparar a escrita manual em .txt com a praticidade de salvar um DataFrame diretamente em .csv?
Conte com o apoio da comunidade Alura na sua jornada. Abraços e bons estudos!
Sim, notei diferença principalmente em praticidade e organização.
Na escrita manual em .txt, o processo ficou mais artesanal: foi necessário controlar linha por linha com write(), adicionar \n, pensar na formatação e depois tratar a leitura manualmente. Isso ajuda bastante no aprendizado da lógica de arquivos, mas exige mais cuidado e mais código para organizar a informação.
Já ao salvar um DataFrame diretamente em .csv, a manipulação ficou muito mais simples e produtiva. O pandas já estrutura os dados em formato tabular, e com to_csv() o salvamento acontece de forma mais direta, limpa e adequada para análise posterior. Além disso, usar index=False evita a criação de uma coluna extra de índice, deixando o arquivo final mais organizado.
Sobre velocidade, para arquivos pequenos a diferença prática não chamou tanta atenção. Mas em facilidade de manipulação, reaproveitamento e clareza dos dados, o uso de DataFrame com .csv se mostrou bem mais vantajoso.