Noções Básicas de Análise de Dados

10 exemplos para você começar com Análise de Dados - 7 básicos e 3 intermediários.

Pré-requisitos

Python 3.14.0 com pandas 2.2+ e NumPy instalados.
Configuração rápida: uv pip install "pandas>=2.2" "numpy>=2.0" "pyarrow>=18"

Exemplos Básicos

1. Criação de Array NumPy

Crie um array numérico homogêneo e execute matemática vetorizada.

import numpy as np
 
sales = np.array([120, 340, 280, 410], dtype=np.int32)
bonus = sales * 0.1
print(bonus.dtype, bonus.sum())

Arrays NumPy armazenam um dtype por eixo - misturar tipos força a coerção.
Operações vetorizadas evitam loops Python e rodam em C compilado.
dtype controla memória e precisão - escolha-o deliberadamente.

Relacionado: Arrays NumPy - dtypes e broadcasting

2. pandas Series e DataFrame

Encapsule dados rotulados em estruturas pandas.

import pandas as pd
 
revenue = pd.Series([120, 340, 280], index=["Jan", "Fev", "Mar"], name="revenue")
df = pd.DataFrame({"region": ["East", "West", "East"], "revenue": revenue.values})
print(df.dtypes)

Uma Series é uma única coluna com um índice.
Um DataFrame é uma tabela de Series alinhadas compartilhando o mesmo índice.
.dtypes revela se as colunas são numéricas, de string ou categóricas.

Relacionado: pandas Series & DataFrames - construção e seleção

3. Ler CSV e Inspecionar

Carregue um arquivo e analise-o antes de transformar.

import pandas as pd
from io import StringIO
 
csv = "date,region,revenue\n2025-01-01,East,120\n2025-01-02,West,340\n"
df = pd.read_csv(StringIO(csv), parse_dates=["date"])
print(df.info())
print(df.isna().sum())

parse_dates armazena datas/horas como dtypes corretos, não strings.
info() mostra contagens não nulas e uso de memória.
Conte valores ausentes por coluna antes de agregar.

Relacionado: Limpeza e Transformação de Dados - valores ausentes e dtypes

4. Selecionar Linhas e Colunas

Use indexação baseada em rótulo e em posição.

import pandas as pd
 
df = pd.DataFrame({"region": ["East", "West", "East"], "revenue": [120, 340, 280]})
east = df.loc[df["region"] == "East", ["region", "revenue"]]
first_row = df.iloc[0]

.loc seleciona por rótulos; .iloc seleciona por posição inteira.
Máscaras booleanas filtram linhas sem copiar o frame inteiro quando possível.
Sempre atribua resultados filtrados a uma nova variável ou use .copy() se for mutar.

Relacionado: pandas Series & DataFrames - regras de indexação

5. Lidar com Valores Ausentes

Remova ou preencha lacunas explicitamente.

import pandas as pd
import numpy as np
 
df = pd.DataFrame({"revenue": [120, np.nan, 280]})
filled = df["revenue"].fillna(df["revenue"].median())
dropped = df.dropna(subset=["revenue"])

fillna com uma estatística é aceitável para exploração; documente a política para produção.
dropna remove linhas - verifique se você não está enviesando agregações.
pandas 2.x usa dtypes anuláveis (Int64) quando você precisa de inteiros com NA.

Relacionado: Limpeza e Transformação de Dados - correções de dtype

6. Agregação GroupBy

Resuma por categoria com split-apply-combine.

import pandas as pd
 
df = pd.DataFrame({"region": ["East", "West", "East"], "revenue": [120, 340, 280]})
summary = (
    df.groupby("region", observed=True)["revenue"]
    .agg(["sum", "mean", "count"])
    .reset_index()
)

groupby divide linhas, aplica uma função por grupo e combina resultados.
observed=True pula níveis categóricos não utilizados no pandas 2.x.
.reset_index() transforma a chave de grupo de volta em uma coluna normal.

Relacionado: GroupBy & Agregação - tabelas pivotantes

7. Mesclar Duas Tabelas

Combine conjuntos de dados em uma chave compartilhada.

import pandas as pd
 
orders = pd.DataFrame({"order_id": [1, 2], "region": ["East", "West"]})
revenue = pd.DataFrame({"order_id": [1, 2], "amount": [120, 340]})
merged = orders.merge(revenue, on="order_id", how="inner", validate="one_to_one")

how="inner" mantém apenas chaves correspondentes - documente o que você descarta.
validate detecta junções acidentais de um-para-muitos precocemente.
Verifique as contagens de linhas antes e depois de cada mesclagem.

Relacionado: Junções & Mesclagens - detecção de duplicatas

Exemplos Intermediários

8. Reamostragem de uma Série Temporal

Agregue dados diários para totais mensais.

import pandas as pd
 
idx = pd.date_range("2025-01-01", periods=90, freq="D", tz="UTC")
df = pd.DataFrame({"revenue": range(90)}, index=idx)
monthly = df["revenue"].resample("ME").sum()

Índices de data/hora permitem agrupamento ciente do calendário via .resample.
Armazene timestamps em UTC; converta para hora local apenas para exibição.
"ME" é a frequência de fim de mês no pandas moderno.

Relacionado: Séries Temporais - janelas deslizantes e fusos horários

9. Polars Lazy Scan

Adie o trabalho e deixe o planejador de consultas otimizar I/O.

import polars as pl
 
lf = pl.scan_parquet("sales.parquet")
result = (
    lf.filter(pl.col("region") == "East")
    .group_by("month")
    .agg(pl.col("revenue").sum().alias("total"))
    .collect()
)
print(result)

Frames preguiçosos do Polars empurram filtros para baixo antes de ler todas as colunas.
.collect() executa o plano - mantenha a lógica preguiçosa até precisar de dados materializados.
Polars 1.x usa o layout de memória Apache Arrow para operações colunares rápidas.

Relacionado: Polars - padrões de avaliação preguiçosa

10. dtypes com Eficiência de Memória

Reduza um frame largo antes que ele esgote a RAM.

import pandas as pd
 
df = pd.read_csv("large.csv", dtype={"region": "category", "units": "int32"})
df["revenue"] = pd.to_numeric(df["revenue"], downcast="float")
print(df.memory_usage(deep=True).sum() / 1e6, "MB")

category armazena strings repetidas uma vez - ideal para colunas de baixa cardinalidade.
downcast escolhe o menor dtype numérico que se ajusta aos seus valores.
Meça com memory_usage(deep=True) após cada carga pesada.

Relacionado: Desempenho e Memória - chunking e Arrow

Versões da Stack: Esta página foi escrita para Python 3.14.0 (estável 3.14, manutenção 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+.

Noções Básicas de Análise de Dados

10 exemplos para você começar com Análise de Dados - 7 básicos e 3 intermediários.

Pré-requisitos

Python 3.14.0 com pandas 2.2+ e NumPy instalados.
Configuração rápida: uv pip install "pandas>=2.2" "numpy>=2.0" "pyarrow>=18"

Exemplos Básicos

1. Criação de Array NumPy

Crie um array numérico homogêneo e execute matemática vetorizada.

import numpy as np
 
sales = np.array([120, 340, 280, 410], dtype=np.int32)
bonus = sales * 0.1
print(bonus.dtype, bonus.sum())

Arrays NumPy armazenam um dtype por eixo - misturar tipos força a coerção.
Operações vetorizadas evitam loops Python e rodam em C compilado.
dtype controla memória e precisão - escolha-o deliberadamente.

Relacionado: Arrays NumPy - dtypes e broadcasting

2. pandas Series e DataFrame

Encapsule dados rotulados em estruturas pandas.

import pandas as pd
 
revenue = pd.Series([120, 340, 280], index=["Jan", "Fev", "Mar"], name="revenue")
df = pd.DataFrame({"region": ["East", "West", "East"], "revenue": revenue.values})
print(df.dtypes)

Uma Series é uma única coluna com um índice.
Um DataFrame é uma tabela de Series alinhadas compartilhando o mesmo índice.
.dtypes revela se as colunas são numéricas, de string ou categóricas.

Relacionado: pandas Series & DataFrames - construção e seleção

3. Ler CSV e Inspecionar

Carregue um arquivo e analise-o antes de transformar.

import pandas as pd
from io import StringIO
 
csv = "date,region,revenue\n2025-01-01,East,120\n2025-01-02,West,340\n"
df = pd.read_csv(StringIO(csv), parse_dates=["date"])
print(df.info())
print(df.isna().sum())

parse_dates armazena datas/horas como dtypes corretos, não strings.
info() mostra contagens não nulas e uso de memória.
Conte valores ausentes por coluna antes de agregar.

Relacionado: Limpeza e Transformação de Dados - valores ausentes e dtypes

4. Selecionar Linhas e Colunas

Use indexação baseada em rótulo e em posição.

import pandas as pd
 
df = pd.DataFrame({"region": ["East", "West", "East"], "revenue": [120, 340, 280]})
east = df.loc[df["region"] == "East", ["region", "revenue"]]
first_row = df.iloc[0]

.loc seleciona por rótulos; .iloc seleciona por posição inteira.
Máscaras booleanas filtram linhas sem copiar o frame inteiro quando possível.
Sempre atribua resultados filtrados a uma nova variável ou use .copy() se for mutar.

Relacionado: pandas Series & DataFrames - regras de indexação

5. Lidar com Valores Ausentes

Remova ou preencha lacunas explicitamente.

import pandas as pd
import numpy as np
 
df = pd.DataFrame({"revenue": [120, np.nan, 280]})
filled = df["revenue"].fillna(df["revenue"].median())
dropped = df.dropna(subset=["revenue"])

fillna com uma estatística é aceitável para exploração; documente a política para produção.
dropna remove linhas - verifique se você não está enviesando agregações.
pandas 2.x usa dtypes anuláveis (Int64) quando você precisa de inteiros com NA.

Relacionado: Limpeza e Transformação de Dados - correções de dtype

6. Agregação GroupBy

Resuma por categoria com split-apply-combine.

import pandas as pd
 
df = pd.DataFrame({"region": ["East", "West", "East"], "revenue": [120, 340, 280]})
summary = (
    df.groupby("region", observed=True)["revenue"]
    .agg(["sum", "mean", "count"])
    .reset_index()
)

groupby divide linhas, aplica uma função por grupo e combina resultados.
observed=True pula níveis categóricos não utilizados no pandas 2.x.
.reset_index() transforma a chave de grupo de volta em uma coluna normal.

Relacionado: GroupBy & Agregação - tabelas pivotantes

7. Mesclar Duas Tabelas

Combine conjuntos de dados em uma chave compartilhada.

import pandas as pd
 
orders = pd.DataFrame({"order_id": [1, 2], "region": ["East", "West"]})
revenue = pd.DataFrame({"order_id": [1, 2], "amount": [120, 340]})
merged = orders.merge(revenue, on="order_id", how="inner", validate="one_to_one")

how="inner" mantém apenas chaves correspondentes - documente o que você descarta.
validate detecta junções acidentais de um-para-muitos precocemente.
Verifique as contagens de linhas antes e depois de cada mesclagem.

Relacionado: Junções & Mesclagens - detecção de duplicatas

Exemplos Intermediários

8. Reamostragem de uma Série Temporal

Agregue dados diários para totais mensais.

import pandas as pd
 
idx = pd.date_range("2025-01-01", periods=90, freq="D", tz="UTC")
df = pd.DataFrame({"revenue": range(90)}, index=idx)
monthly = df["revenue"].resample("ME").sum()

Índices de data/hora permitem agrupamento ciente do calendário via .resample.
Armazene timestamps em UTC; converta para hora local apenas para exibição.
"ME" é a frequência de fim de mês no pandas moderno.

Relacionado: Séries Temporais - janelas deslizantes e fusos horários

9. Polars Lazy Scan

Adie o trabalho e deixe o planejador de consultas otimizar I/O.

import polars as pl
 
lf = pl.scan_parquet("sales.parquet")
result = (
    lf.filter(pl.col("region") == "East")
    .group_by("month")
    .agg(pl.col("revenue").sum().alias("total"))
    .collect()
)
print(result)

Frames preguiçosos do Polars empurram filtros para baixo antes de ler todas as colunas.
.collect() executa o plano - mantenha a lógica preguiçosa até precisar de dados materializados.
Polars 1.x usa o layout de memória Apache Arrow para operações colunares rápidas.

Relacionado: Polars - padrões de avaliação preguiçosa

10. dtypes com Eficiência de Memória

Reduza um frame largo antes que ele esgote a RAM.

import pandas as pd
 
df = pd.read_csv("large.csv", dtype={"region": "category", "units": "int32"})
df["revenue"] = pd.to_numeric(df["revenue"], downcast="float")
print(df.memory_usage(deep=True).sum() / 1e6, "MB")

category armazena strings repetidas uma vez - ideal para colunas de baixa cardinalidade.
downcast escolhe o menor dtype numérico que se ajusta aos seus valores.
Meça com memory_usage(deep=True) após cada carga pesada.

Relacionado: Desempenho e Memória - chunking e Arrow

Versões da Stack: Esta página foi escrita para Python 3.14.0 (estável 3.14, manutenção 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+.

Noções Básicas de Análise de Dados

Buscar na documentação

Noções Básicas de Análise de Dados