#Preencher vazio por 0.0
dt_data['preco'].fillna('0.0', inplace = True)
#Remover $ e ','
dt_data['preco'] = dt_data['preco'].apply(lambda x: x.replace('$', '').replace(',',''))
#Transformando em float
dt_data['preco'] = dt_data['preco'].astype(np.float64)
#Verificando
dt_data.info()
E aí, Mateus! Tudo bem?
Parabéns! Mantenha o ritmo nos exercícios e continue compartilhando na nossa comunidade.
Percebi que você praticou o uso de fillna() para lidar com valores ausentes, elaborou muito bem o lambda com apply() para limpar dados textuais e ainda entendeu a relevância de converter colunas com astype() para garantir o tipo adequado na análise.
Uma sugestão para evoluir ainda mais é usar pd.to_numeric() com o objetivo de tratar conversões e capturar erros de maneira segura. Veja só:
dt_data['preco'] = pd.to_numeric(dt_data['preco'], errors='coerce').fillna(0.0)
Resultado:
Valores não numéricos são convertidos para NaN e substituídos por 0.0
Essa abordagem ajuda a evitar falhas quando houver valores inesperados na coluna de preços.
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!