Pandas.
Comece pelos dados.

Uma introdução prática para transformar tabelas, automatizar tratamentos e construir fluxos de dados reproduzíveis — direto no navegador ou no seu ambiente Python.

DataFrameETLAutomaçãoExcel / CSV / SQL

Panda minimalista com elementos de dados

/ Por que usar Pandas?

Muito além de abrir uma planilha.

Pandas transforma tarefas repetitivas de dados em código reproduzível. É especialmente útil quando você precisa limpar, combinar, validar, transformar ou automatizar informações que hoje passam por planilhas, arquivos ou consultas manuais.

sync_alt

ETL e preparação

Leia dados, limpe valores, altere tipos, faça joins, agregações e exporte o resultado. Um fluxo completo de extração, transformação e carga pode caber em poucas linhas.

autorenew

Automação

Troque tarefas manuais por scripts executáveis sempre da mesma forma: relatórios, conciliações, tratamentos de base, controles e rotinas recorrentes.

hub

Conecta várias fontes

Trabalhe com CSV, Excel, JSON, bancos SQL e dados vindos de APIs. Isso facilita reunir informações que antes ficavam separadas em ferramentas diferentes.

speed

Produtividade

Filtros, agrupamentos, cálculos e transformações trabalham sobre colunas inteiras, evitando muitos loops e reduzindo código repetitivo.

verified

Reprodutibilidade

O tratamento deixa de existir apenas como uma sequência de cliques. O código registra as regras e pode ser revisado, versionado e executado novamente.

memory

Pouca infraestrutura

Para muitos fluxos de pequeno e médio porte, basta Python e a biblioteca instalada. É possível começar no próprio computador ou no Colab, sem montar uma plataforma de dados completa.

extension

Ecossistema Python

Integra naturalmente com NumPy, Matplotlib, scikit-learn, Jupyter e diversas bibliotecas de análise, visualização, IA e automação.

visibility

Exploração rápida

Inspecione amostras, estatísticas, valores ausentes e distribuições rapidamente. É ótimo para entender uma base antes de construir uma solução maior.

info

E quando não usar? Pandas trabalha principalmente em memória. Para bases muito maiores que a RAM, processamento distribuído ou consultas analíticas em grande escala, ferramentas como DuckDB, Polars ou Spark podem ser mais adequadas. A escolha depende do volume e do problema.

Instale e importe

# No terminal, se ainda não tiver o Pandas:
pip install pandas

import pandas as pd

Pandas é uma biblioteca Python para manipular dados em estruturas parecidas com tabelas. Se você já usa planilhas, a ideia fica familiar rapidamente.

Crie um DataFrame

dados = {
    'produto': ['Notebook', 'Mouse', 'Teclado', 'Monitor', 'Headset'],
    'preco': [3500, 120, 250, 900, 320],
    'quantidade': [2, 15, 7, 4, 6]
}
df = pd.DataFrame(dados)
df

produto	preço	quantidade
Notebook	3500	2
Mouse	120	15
Teclado	250	7

Calcule e resuma

df['faturamento'] = df['preco'] * df['quantidade']

resumo = (
    df.groupby('categoria', as_index=False)['faturamento']
      .sum()
      .sort_values('faturamento', ascending=False)
)

lightbulb

O que você acabou de aprender?

Você criou uma tabela, adicionou uma coluna calculada e resumiu dados por grupo — operações comuns em análise de dados, automações e preparação de dashboards.

/ Continue com Pandas

Agora automatize um Excel de verdade.

O segundo exemplo parte de um arquivo `.xlsx`: Pandas lê a planilha, cria uma coluna de faturamento, consolida os valores por categoria e gera um novo relatório automaticamente.

PandasExcelAutomação

Pandas · Exemplo 02