SINTAXE.md

SINTAXE

ESTRUTURAS DE DADOS PRINCIPAIS:

1. Series:

   • Uma Series é uma estrutura de dados unidimensional que pode conter qualquer tipo de dados, como inteiros, floats, strings, etc.
   • É semelhante a uma coluna em uma tabela ou a um array unidimensional.
   • Cada elemento em uma Series tem um rótulo, chamado de índice.

   import pandas as pd
   s = pd.Series([1, 3, 5, 7, 9])
   print(s)

2. DataFrame:

   • Um DataFrame é uma estrutura de dados bidimensional, semelhante a uma tabela em uma base de dados, com linhas e colunas.
   • Cada coluna em um DataFrame é uma Series.
   • Pode ser criada a partir de listas, dicionários, arrays, etc.

   data = {
       'Nome': ['Ana', 'Bruno', 'Carlos', 'Diana'],
       'Idade': [23, 35, 45, 29],
       'Cidade': ['São Paulo', 'Rio de Janeiro', 'Curitiba', 'Belo Horizonte']
   }
   df = pd.DataFrame(data)
   print(df)

OPERAÇÕES BÁSICAS:

1. Leitura de Dados:

   • Pandas pode ler dados de vários formatos, como CSV, Excel, SQL, JSON, etc.

   df = pd.read_csv('dados.csv')

2. Visualização de Dados:

   • Visualize as primeiras e últimas linhas do DataFrame.

   print(df.head())  # primeiras 5 linhas
   print(df.tail())  # últimas 5 linhas

3. Indexação e Seleção de Dados:

   • Selecionar uma coluna: df['Nome']
   • Selecionar múltiplas colunas: df[['Nome', 'Idade']]
   • Selecionar uma linha por índice: df.loc[0]
   • Selecionar uma célula específica: df.at[0, 'Nome']

4. Filtragem de Dados:

   • Filtrar linhas com base em uma condição.

   df_maiores_30 = df[df['Idade'] > 30]

5. Operações em Colunas:

   • Adicionar uma nova coluna.

   df['NovaColuna'] = df['Idade'] * 2

6. Agrupamento e Agregação:

   • Agrupar dados por uma coluna e calcular estatísticas agregadas.

   df_grouped = df.groupby('Cidade').mean()

MANIPULAÇÃO AVANÇADA:

1. Mesclagem e Junção de Dados:

   • Combine dados de diferentes DataFrames.

   df1 = pd.DataFrame({'A': ['A0', 'A1', 'A2'],
                       'B': ['B0', 'B1', 'B2']})
   df2 = pd.DataFrame({'A': ['A1', 'A2', 'A3'],
                       'C': ['C1', 'C2', 'C3']})
   df_merged = pd.merge(df1, df2, on='A', how='inner')

2. Lidar com Dados Faltantes:

   • Verificar dados faltantes e preenchê-los ou removê-los.

   df.dropna()  # remove linhas com dados faltantes
   df.fillna(0)  # preenche dados faltantes com zero

3. Pivot Tables:

   • Criar tabelas dinâmicas para resumir dados.

   pivot_table = df.pivot_table(values='Idade', index='Cidade', columns='Nome', aggfunc='mean')