exercicios_casa_danda

exercicios/para-casa/bonus_II.md

@@ -0,0 +1,98 @@
+
+1. Manipulação de Strings
+Você pode usar métodos para manipular dados de texto em colunas.
+
+# Converte todas as strings de uma coluna para minúsculas
+df['Coluna1'] = df['Coluna1'].str.lower()
+
+# Remove espaços em branco no início e no final das strings
+df['Coluna1'] = df['Coluna1'].str.strip()
+
+# Substitui parte de uma string por outra
+df['Coluna1'] = df['Coluna1'].str.replace('Antigo', 'Novo')
+
+
+2. Agrupamento de Dados (groupby)
+Agrupa dados com base em uma ou mais colunas e aplica funções agregadas, como soma, média, contagem, etc.
+
+# Agrupa os dados por uma coluna e calcula a média de outra coluna
+df_agrupado = df.groupby('ColunaAgrupamento')['ColunaValores'].mean()
+
+# Agrupa por várias colunas e conta as ocorrências
+df_contagem = df.groupby(['Coluna1', 'Coluna2']).size().reset_index(name='Contagem')
+
+
+3. Merge e Join
+Combina diferentes DataFrames usando chaves comuns.
+
+# Mescla dois DataFrames com base em uma coluna comum
+df_merged = pd.merge(df1, df2, on='ColunaComum')
+
+# Faz uma junção à esquerda entre dois DataFrames
+df_left_join = pd.merge(df1, df2, how='left', on='ColunaComum')
+
+
+4. Pivot e Unpivot (pivot, melt)
+Transforma dados de formato longo para largo e vice-versa.
+
+# Pivota os dados para transformar colunas em valores de uma nova coluna
+df_pivot = df.pivot(index='Coluna1', columns='Coluna2', values='Coluna3')
+
+# Derrete (unpivot) os dados para transformar colunas em linhas
+df_melt = df.melt(id_vars=['Coluna1'], value_vars=['Coluna2', 'Coluna3'])
+
+
+5. Tratamento de Outliers
+Você pode identificar e tratar outliers, que são valores anômalos nos dados.
+
+# Identifica outliers usando o desvio padrão
+desvio = 3
+outliers = df[df['Coluna1'] > df['Coluna1'].mean() + desvio * df['Coluna1'].std()]
+
+# Remove outliers da coluna
+df_sem_outliers = df[df['Coluna1'] <= df['Coluna1'].mean() + desvio * df['Coluna1'].std()]
+
+
+6. Filtragem de Dados
+Filtra os dados com base em condições específicas.
+
+# Filtra as linhas onde os valores da coluna são maiores que um certo valor
+df_filtrado = df[df['Coluna1'] > 100]
+
+# Filtra com base em múltiplas condições
+df_filtrado_multicondicoes = df[(df['Coluna1'] > 100) & (df['Coluna2'] == 'Valor')]
+
+
+7. Interpolação
+Preenche valores faltantes (nulos) com base em uma interpolação.
+# Interpola valores nulos linearmente
+df_interpolado = df.interpolate(method='linear')
+
+
+8. Data Transformation (Transformação de Dados)
+Transforma os dados de acordo com uma função customizada.
+
+# Aplica uma transformação logarítmica em uma coluna
+df['Coluna_log'] = df['Coluna1'].apply(np.log)
+
+
+9. Uso de Bibliotecas Externas
+
+from sklearn.preprocessing import StandardScaler
+
+# Normaliza os dados com StandardScaler
+scaler = StandardScaler()
+df[['Coluna1_normalizada']] = scaler.fit_transform(df[['Coluna1']])
+
+
+10. Manipulação de Datas
+Trabalhe com dados de tempo utilizando funções específicas de Pandas.
+
+# Converte uma coluna para o tipo datetime
+df['Data'] = pd.to_datetime(df['Data'])
+
+# Extrai o ano de uma coluna de data
+df['Ano'] = df['Data'].dt.year
+
+# Filtra dados de um período específico
+df_filtrado_data = df[(df['Data'] >= '2023-01-01') & (df['Data'] <= '2023-12-31')]