Python + IA: Fundamentos e Projetos Práticos
Não basta apenas carregar dados — é preciso prepará-los para uso real.
Hoje vamos aprender como corrigir, preencher e transformar dados com pandas, deixando tudo pronto para sistemas, dashboards ou modelos de IA.
🎯 O que você vai aprender
- Identificar valores ausentes (
NaN) - Preencher ou remover linhas inválidas
- Alterar tipos de colunas
- Renomear colunas para padrão
- Aplicar transformação com
.apply()
📂 Preparando o arquivo contatos.csv
Suponha que temos um arquivo assim:
Nome;Idade;E-mail
Asllan;41;[email protected]
Luiza;;[email protected]
Bella;5;[email protected]
João;abc;[email protected]📦 Lendo e limpando os dados
import pandas as pd
# Leitura com separador ;
df = pd.read_csv("contatos.csv", sep=";")
# Renomear colunas
df.columns = ["nome", "idade", "email"]
# Substituir valores inválidos
df["idade"] = pd.to_numeric(df["idade"], errors="coerce") # converte 'abc' em NaN
# Remover linhas com idade vazia
df = df.dropna(subset=["idade"])
# Converter idade para inteiro
df["idade"] = df["idade"].astype(int)
# Aplicar transformação
df["categoria"] = df["idade"].apply(lambda x: "adulto" if x >= 18 else "criança")
print(df)📌 Desafio do Dia: Corrigir e classificar contatos
Você deve:
- Carregar o arquivo CSV com erros
- Corrigir dados ausentes e inválidos
- Classificar cada contato como “criança” ou “adulto” com base na idade
- Exibir os dados prontos para uso
🧠 O que você aplicou hoje?
- Correção e padronização de dados
- Transformações condicionais com
.apply() - Prevenção de erros antes de usar os dados
- Base para automações, IA e relatórios
💬 Dica profissional
Todo sistema com IA ou automação depende de dados limpos e estruturados.
Hoje você deu um passo simples, mas totalmente técnico e estratégico.
