imoveis_comerciais = ['Conjunto Comercial/Sala',
'Prédio Inteiro', 'Loja/Salão',
'Galpão/Depósito/Armazém',
'Casa Comercial', 'Terreno Padrão',
'Loja Shopping/ Ct Comercial',
'Box/Garagem', 'Chácara',
'Loteamento/Condomínio', 'Sítio',
'Pousada/Chalé', 'Hotel', 'Indústria']

removendo imóveis comerciais

df = dados.query('@imoveis_comerciais not in Tipo')

selecionando apenas imóveis do tipo apartamento

df = df.query('Tipo == "Apartamento"')

visualizando a base de dados

df.head()

dados['Quartos'].mean()

dados['Bairro'].nunique()

Adicione .sort_values(ascending=False)

media_por_bairro_ordenada = df.groupby('Bairro')['Valor'].mean().sort_values(ascending=False)

print(media_por_bairro_ordenada)

Oi, Vanessa! Como vai?

Agradeço por compartilhar seu código com a comunidade Alura.

Você estruturou bem as consultas com o query() e a seleção dos tipos de imóveis, o que mostra domínio das etapas de filtragem no Pandas. O agrupamento por bairro e cálculo da média de valores também está correto, é uma ótima forma de realizar uma análise exploratória.

Uma dica interessante para o futuro é personalizar os gráficos para deixá-los mais informativos e visualmente agradáveis, usando o matplotlib. Veja este exemplo:

import matplotlib.pyplot as plt

media_por_bairro.head(5).plot(kind='barh', color='teal')
plt.xlabel('Média de Aluguel (R$)')
plt.ylabel('Bairro')
plt.title('Top 5 Bairros com Maiores Médias de Aluguel')
plt.grid(axis='x', linestyle='--', alpha=0.6)
plt.show()

Esse código adiciona grades horizontais e cores personalizadas, facilitando a leitura e tornando o gráfico mais apresentável.

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

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