import pandas as pd
==================================================
1. Criar DataFrame com 5 colunas
==================================================
dados = {
"nome_produto": [
"Notebook",
"Smartphone",
"Geladeira",
"Fone Bluetooth",
"Micro-ondas"
],
"categoria": [
"eletrônicos",
"eletrônicos",
"eletrodomésticos",
"eletrônicos",
"eletrodomésticos"
],
"preco": [3500, 2500, 4200, 250, 800],
"avaliacao": [4.8, 4.5, 3.9, 1.8, 1.5],
"itens_vendidos": [150, 300, 80, 500, 120]
}
df = pd.DataFrame(dados)
print("DataFrame completo:")
print(df)
==================================================
2. Importar CSV
==================================================
Exemplo:
df_csv = pd.read_csv("produtos.csv")
==================================================
3. Exibir DataFrame e Head
==================================================
print("\nPrimeiras linhas:")
print(df.head())
==================================================
4. Selecionar coluna específica
==================================================
print("\nColuna categoria:")
print(df["categoria"])
==================================================
5. Valores únicos
==================================================
print("\nCategorias únicas:")
print(df["categoria"].unique())
==================================================
6. Filtro categoria eletrônicos
==================================================
eletronicos = df[df["categoria"] == "eletrônicos"]
print("\nProdutos eletrônicos:")
print(eletronicos)
==================================================
7. Avaliação menor que 2.0
==================================================
avaliacao_baixa = df[df["avaliacao"] < 2.0]
print("\nProdutos com avaliação abaixo de 2.0:")
print(avaliacao_baixa)
==================================================
8. Combinação de filtros
==================================================
filtro_combinado = df[
(df["categoria"] == "eletrônicos") &
(df["preco"] < 3000)
]
print("\nEletrônicos com preço abaixo de 3000:")
print(filtro_combinado)
==================================================
9. Utilizando iloc
==================================================
print("\nPrimeira linha usando iloc:")
print(df.iloc[0])
print("\nLinhas 1 a 3:")
print(df.iloc[1:4])
==================================================
10. Utilizando loc
==================================================
df_loc = df.set_index("nome_produto")
print("\nAcessando Notebook com loc:")
print(df_loc.loc["Notebook"])
==================================================
11. Classificação de sentimentos com LLM
==================================================
reviews = pd.DataFrame({
"feedback": [
"Produto excelente, gostei muito!",
"Péssima qualidade, não recomendo.",
"Entrega rápida e produto bom.",
"Muito ruim, veio com defeito.",
"Atendeu minhas expectativas."
]
})
Simulação de análise de sentimento
def classificar_sentimento(texto):
texto = texto.lower()
positivos = [
"excelente",
"gostei",
"bom",
"rápida",
"expectativas"
]
negativos = [
"péssima",
"ruim",
"defeito",
"não recomendo"
]
for palavra in positivos:
if palavra in texto:
return "Positivo"
for palavra in negativos:
if palavra in texto:
return "Negativo"
return "Neutro"
reviews["sentimento"] = reviews["feedback"].apply(
classificar_sentimento
)
print("\nReviews classificados:")
print(reviews)
