Limpeza e Transformação de Dados

Conjuntos de dados reais chegam com dtypes incorretos, valores ausentes e strings confusas. A limpeza torna os agregados confiáveis antes de você mesclar ou modelar.

Receita

Cartão de referência rápida - pronto para copiar e colar.

import pandas as pd
 
df = pd.read_csv("raw.csv", dtype={"region": "category"})
df["revenue"] = pd.to_numeric(df["revenue"], errors="coerce")
df["sku"] = df["sku"].str.strip().str.upper()
df = df.dropna(subset=["revenue"])

Quando usar isso:

Primeira passagem em qualquer ingestão de CSV, exportação de API ou planilha
Antes de joins (chaves devem ser normalizadas)
Antes de divisões de treino/teste em pipelines de ML
Quando os agregados parecem impossíveis (strings somando como zero)

Exemplo de Trabalho

import pandas as pd
import numpy as np
from io import StringIO
 
raw = """order_id,region,revenue,sku,ordered_at
1, east , $120 , abc-1 , 01/15/2025
2,WEST,340,def-2,2025-01-16
3,EAST,N/A,abc-1,2025-01-17
"""
df = pd.read_csv(StringIO(raw), dtype={"region": "string[pyarrow]"})
 
# Remover espaços em branco e normalizar chaves de texto
df["region"] = df["region"].str.strip().str.title()
df["sku"] = df["sku"].str.upper()
 
# Analisar dinheiro e datas
df["revenue"] = (
    df["revenue"]
    .str.replace("$", "", regex=False)
    .str.replace(",", "", regex=False)
    .replace("N/A", np.nan)
)
df["revenue"] = pd.to_numeric(df["revenue"], errors="coerce")
df["ordered_at"] = pd.to_datetime(df["ordered_at"], format="mixed", utc=True)
 
# Imputar com política documentada: mediana por região
df["revenue"] = df.groupby("region", observed=True)["revenue"].transform(
    lambda s: s.fillna(s.median())
)
 
# Remover linhas ainda com chaves críticas ausentes
clean = df.dropna(subset=["order_id", "ordered_at"]).astype({"order_id": "int64"})
 
print(clean.dtypes)
print(clean)

O que isso demonstra:

Strings com suporte Arrow para operações de texto eficientes em memória
Cadeias de acessadores str para espaços em branco e capitalização
to_numeric(errors="coerce") transformando tokens ruins em NA
Imputação por grupo em vez de uma média global

Mergulho Profundo

Como Funciona

Valores ausentes são mapeados para NaN para floats, pd.NA para dtypes anuláveis, ou None em colunas de objeto.
Métodos de string vetorizados rodam por elemento sem loops Python.
astype pode copiar; convert_dtypes() atualiza para tipos de extensão pandas anuláveis.
O dtype categórico armazena os níveis uma vez - ótimo para nomes de região repetidos.

Transformações Comuns

Tarefa	API
Analisar números	`pd.to_numeric(..., errors="coerce")`
Analisar datas	`pd.to_datetime(..., utc=True)`
Limitar outliers	`s.clip(lower, upper)`
Renomear colunas	`df.rename(columns={"old": "new"})`
Deduplicar linhas	`df.drop_duplicates(subset=[...])`

Notas Python

import pandas as pd
 
# Prefira Int64 anulável quando NA for possível
df["units"] = pd.array([1, None, 3], dtype="Int64")
 
# map para substituições de pequeno domínio
df["status"] = df["status"].map({"A": "active", "I": "inactive"})

Armadilhas

fillna(0) global em receita ausente - trata "desconhecido" como zero venda. Correção: política de NA separada por coluna; use medianas de grupo ou flags.
Mutação in-place em uma view - df.dropna(inplace=True) em uma fatia corrompe o pai. Correção: atribua de volta: df = df.dropna().
Caracteres especiais de regex em str.replace - $ e . precisam de regex=False ou escape. Correção: passe regex=False para substituições literais.
Ambiguidade de data local - 01/02/2025 é analisado de forma diferente por localidade. Correção: force ISO "%Y-%m-%d" na origem ou use format="mixed" com auditoria.
Erros de digitação de categoria - "East" e "east " se tornam categorias diferentes antes do strip. Correção: normalize strings antes de astype("category").

Alternativas

Alternativa	Usar Quando	Não Usar Quando
Pandera	Validação de esquema em CI	Limpeza rápida de notebook
Great Expectations	Contratos de dados de produção	Limpeza de CSV única
Polars `with_columns`	Grandes pipelines lazy	Equipe só conhece pandas
OpenRefine / SQL	Limpeza com intervenção humana em escala	ETL scriptado e repetível

FAQs

Devo remover ou imputar valores ausentes?

Remova quando a ausência for rara e aleatória.
Impute quando a remoção enviesar grupos - documente a estatística usada.

Como encontro chaves duplicadas antes de uma mesclagem?

dupes = df[df.duplicated("order_id", keep=False)]

O que errors="coerce" faz?

Parses inválidos se tornam NaN em vez de gerar erro.
Siga com dropna ou uma tabela de quarentena para linhas ruins.

Como padronizo nomes de colunas?

df.columns = df.columns.str.strip().str.lower().str.replace(" ", "_")

Quando devo usar o dtype category?

Strings de baixa cardinalidade usadas em groupby/plots.
Evite quando os níveis mudam constantemente (alta cardinalidade).

Como divido uma coluna em várias?

df[["city", "state"]] = df["location"].str.split(",", expand=True)

Posso limpar em blocos para CSVs enormes?

for chunk in pd.read_csv("huge.csv", chunksize=100_000):
    process(chunk)

Escreva blocos limpos em partições Parquet.

Como detecto outliers?

Regra IQR: Q3 + 1.5*IQR - marque, não remova silenciosamente sem revisão.
Use limites de domínio (receita não pode ser negativa).

Qual a diferença entre pd.NA e np.nan?

pd.NA é o valor ausente escalar do pandas para dtypes de extensão anuláveis.
np.nan é o valor ausente de float - propaga em colunas float.

Como valido a limpeza em testes?

Afirme contagens de linhas, unicidade de chaves e df["revenue"].isna().sum() == 0 após a política.
Tire um snapshot dos dtypes como um dicionário em pytest.

Relacionado

Series & DataFrames do pandas - noções básicas de seleção
Joins & Merges - limpe chaves antes de juntar
Validação e Qualidade de Dados - Pandera e Great Expectations
Desempenho e Memória - categoricals e strings Arrow

Versões da Stack: Esta página foi escrita para Python 3.14.0 (stable 3.14, maintenance 3.13), FastAPI 0.115+, Django 5.2, Flask 3.1, Pydantic 2, PyTorch 2.6+, pandas 2.2+, Polars 1.x, ruff 0.9+, e uv 0.6+.

Limpeza e Transformação de Dados

Conjuntos de dados reais chegam com dtypes incorretos, valores ausentes e strings confusas. A limpeza torna os agregados confiáveis antes de você mesclar ou modelar.

Receita

Cartão de referência rápida - pronto para copiar e colar.

import pandas as pd
 
df = pd.read_csv("raw.csv", dtype={"region": "category"})
df["revenue"] = pd.to_numeric(df["revenue"], errors="coerce")
df["sku"] = df["sku"].str.strip().str.upper()
df = df.dropna(subset=["revenue"])

Quando usar isso:

Primeira passagem em qualquer ingestão de CSV, exportação de API ou planilha
Antes de joins (chaves devem ser normalizadas)
Antes de divisões de treino/teste em pipelines de ML
Quando os agregados parecem impossíveis (strings somando como zero)

Exemplo de Trabalho

import pandas as pd
import numpy as np
from io import StringIO
 
raw = """order_id,region,revenue,sku,ordered_at
1, east , $120 , abc-1 , 01/15/2025
2,WEST,340,def-2,2025-01-16
3,EAST,N/A,abc-1,2025-01-17
"""
df = pd.read_csv(StringIO(raw), dtype={"region": "string[pyarrow]"})
 
# Remover espaços em branco e normalizar chaves de texto
df["region"] = df["region"].str.strip().str.title()
df["sku"] = df["sku"].str.upper()
 
# Analisar dinheiro e datas
df["revenue"] = (
    df["revenue"]
    .str.replace("$", "", regex=False)
    .str.replace(",", "", regex=False)
    .replace("N/A", np.nan)
)
df["revenue"] = pd.to_numeric(df["revenue"], errors="coerce")
df["ordered_at"] = pd.to_datetime(df["ordered_at"], format="mixed", utc=True)
 
# Imputar com política documentada: mediana por região
df["revenue"] = df.groupby("region", observed=True)["revenue"].transform(
    lambda s: s.fillna(s.median())
)
 
# Remover linhas ainda com chaves críticas ausentes
clean = df.dropna(subset=["order_id", "ordered_at"]).astype({"order_id": "int64"})
 
print(clean.dtypes)
print(clean)

O que isso demonstra:

Strings com suporte Arrow para operações de texto eficientes em memória
Cadeias de acessadores str para espaços em branco e capitalização
to_numeric(errors="coerce") transformando tokens ruins em NA
Imputação por grupo em vez de uma média global

Mergulho Profundo

Como Funciona

Valores ausentes são mapeados para NaN para floats, pd.NA para dtypes anuláveis, ou None em colunas de objeto.
Métodos de string vetorizados rodam por elemento sem loops Python.
astype pode copiar; convert_dtypes() atualiza para tipos de extensão pandas anuláveis.
O dtype categórico armazena os níveis uma vez - ótimo para nomes de região repetidos.

Transformações Comuns

Tarefa	API
Analisar números	`pd.to_numeric(..., errors="coerce")`
Analisar datas	`pd.to_datetime(..., utc=True)`
Limitar outliers	`s.clip(lower, upper)`
Renomear colunas	`df.rename(columns={"old": "new"})`
Deduplicar linhas	`df.drop_duplicates(subset=[...])`

Notas Python

import pandas as pd
 
# Prefira Int64 anulável quando NA for possível
df["units"] = pd.array([1, None, 3], dtype="Int64")
 
# map para substituições de pequeno domínio
df["status"] = df["status"].map({"A": "active", "I": "inactive"})

Armadilhas

fillna(0) global em receita ausente - trata "desconhecido" como zero venda. Correção: política de NA separada por coluna; use medianas de grupo ou flags.
Mutação in-place em uma view - df.dropna(inplace=True) em uma fatia corrompe o pai. Correção: atribua de volta: df = df.dropna().
Caracteres especiais de regex em str.replace - $ e . precisam de regex=False ou escape. Correção: passe regex=False para substituições literais.
Ambiguidade de data local - 01/02/2025 é analisado de forma diferente por localidade. Correção: force ISO "%Y-%m-%d" na origem ou use format="mixed" com auditoria.
Erros de digitação de categoria - "East" e "east " se tornam categorias diferentes antes do strip. Correção: normalize strings antes de astype("category").

Alternativas

Alternativa	Usar Quando	Não Usar Quando
Pandera	Validação de esquema em CI	Limpeza rápida de notebook
Great Expectations	Contratos de dados de produção	Limpeza de CSV única
Polars `with_columns`	Grandes pipelines lazy	Equipe só conhece pandas
OpenRefine / SQL	Limpeza com intervenção humana em escala	ETL scriptado e repetível

FAQs

Devo remover ou imputar valores ausentes?

Remova quando a ausência for rara e aleatória.
Impute quando a remoção enviesar grupos - documente a estatística usada.

Como encontro chaves duplicadas antes de uma mesclagem?

dupes = df[df.duplicated("order_id", keep=False)]

O que errors="coerce" faz?

Parses inválidos se tornam NaN em vez de gerar erro.
Siga com dropna ou uma tabela de quarentena para linhas ruins.

Como padronizo nomes de colunas?

df.columns = df.columns.str.strip().str.lower().str.replace(" ", "_")

Quando devo usar o dtype category?

Strings de baixa cardinalidade usadas em groupby/plots.
Evite quando os níveis mudam constantemente (alta cardinalidade).

Como divido uma coluna em várias?

df[["city", "state"]] = df["location"].str.split(",", expand=True)

Posso limpar em blocos para CSVs enormes?

for chunk in pd.read_csv("huge.csv", chunksize=100_000):
    process(chunk)

Escreva blocos limpos em partições Parquet.

Como detecto outliers?

Regra IQR: Q3 + 1.5*IQR - marque, não remova silenciosamente sem revisão.
Use limites de domínio (receita não pode ser negativa).

Qual a diferença entre pd.NA e np.nan?

pd.NA é o valor ausente escalar do pandas para dtypes de extensão anuláveis.
np.nan é o valor ausente de float - propaga em colunas float.

Como valido a limpeza em testes?

Afirme contagens de linhas, unicidade de chaves e df["revenue"].isna().sum() == 0 após a política.
Tire um snapshot dos dtypes como um dicionário em pytest.

Relacionado

Series & DataFrames do pandas - noções básicas de seleção
Joins & Merges - limpe chaves antes de juntar
Validação e Qualidade de Dados - Pandera e Great Expectations
Desempenho e Memória - categoricals e strings Arrow

Versões da Stack: Esta página foi escrita para Python 3.14.0 (stable 3.14, maintenance 3.13), FastAPI 0.115+, Django 5.2, Flask 3.1, Pydantic 2, PyTorch 2.6+, pandas 2.2+, Polars 1.x, ruff 0.9+, e uv 0.6+.

Limpeza e Transformação de Dados

Buscar na documentação

Limpeza e Transformação de Dados