Limpeza e Transformação de Dados com Pandas: preparando para IA

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;asllan@email.com
Luiza;;luiza@email.com
Bella;5;bella@email.com
João;abc;joao@email.com

📦 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:

1. Carregar o arquivo CSV com erros
2. Corrigir dados ausentes e inválidos
3. Classificar cada contato como “criança” ou “adulto” com base na idade
4. 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.