Solucionado
Eu criei essa função para, não ficar repetitivo:
def transformar_data(df, cols):
for col in cols:
if col in df.columns:
df[col] = pd.to_datetime(df[col], format='%d/%m/%Y')
return df
E testei esse método alternativo:
# df_locacao = df_locacao.assign(
# diferenca_dias=(df_locacao['datas_de_pagamento'] - df_locacao['datas_combinadas_pagamento']).dt.days)
Caso queremos saber qual o apartamento com mais dias de atraso:
media_atraso.idxmax(axis=0)
Olá, William! Como vai?
Muito bem! Continue resolvendo os desafios e compartilhando com a comunidade Alura.
Observei que você explorou o uso de funções personalizadas para aplicar transformações em colunas específicas de um DataFrame, utilizou muito bem o pd.to_datetime para padronizar datas no formato brasileiro e ainda compreendeu a importância do idxmax() para identificar o índice do maior valor.
Uma dica interessante para o futuro é usar errors='coerce' no pd.to_datetime para lidar com datas inválidas ou ausentes. Dessa forma:
df[col] = pd.to_datetime(df[col], format='%d/%m/%Y', errors='coerce')
Resultado: Datas inválidas serão convertidas para NaT (Not a Time)
Isso faz com que o código seja mais robusto, evitando falhas quando encontrar valores inesperados ou mal formatados.
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!