Tutorial de pandas em Python: o guia definitivo para iniciantes

Instalar o pandas

Instale o pandas com o comando pip install no seu terminal. O pandas 3 requer Python 3.11 ou superior; em uma versão mais antiga, o pip instala a versão 2.x mais recente compatível com o seu Python.

pip install pandasTecnologia

Como alternativa, você pode instalar via conda:

conda install pandasTecnologia

Depois de instalar o pandas, é uma boa prática checar a versão instalada para garantir que tudo esteja funcionando corretamente:

import pandas as pd
print(pd.__version__)  # Prints the pandas versionTecnologia

Isso confirma que o pandas foi instalado corretamente e permite verificar a compatibilidade com outros pacotes.

O que mudou no pandas 3.0 e 3.1

O pandas 3.0, lançado em janeiro de 2026, mudou como funcionam cópias, strings e atribuições, e o pandas 3.1 (outubro de 2026) descontinuou a maioria dos usos de inplace=True. Códigos de tutoriais antigos em geral ainda rodam, mas quatro mudanças costumam pegar as pessoas de surpresa:

• Copy-on-Write é o padrão. Qualquer subconjunto ou resultado de método se comporta como uma cópia, então alterá-lo nunca muda o DataFrame original. O SettingWithCopyWarning sumiu, assim como a necessidade de chamadas defensivas a .copy().
• Atribuição encadeada não funciona mais. df["Age"][0] = 35 atualiza uma cópia temporária e deixa df inalterado; o pandas avisa com um ChainedAssignmentError. Use uma única chamada .loc[] no lugar.
• Strings têm seu próprio tipo. Colunas de texto agora são inferidas como str em vez de object, com backend em PyArrow quando instalado.
• inplace=True está descontinuado em sort_values(), reset_index(), dropna(), drop_duplicates(), rename() e vários outros métodos. Reatribua o resultado: df = df.dropna().

Veja a mudança de atribuição encadeada em um DataFrame pequeno:

import pandas as pd

patients = pd.DataFrame({"name": ["Ana", "Ben", "Chloe"], "age": [34, 51, 28]})

patients["age"][0] = 35      # chained assignment: patients is not changed
patients.loc[0, "age"] = 35  # a single .loc[] call: patients is updated
print(patients.dtypes)Tecnologia

name      str
age     int64
dtype: objectTecnologia

Todo exemplo neste tutorial segue as regras do pandas 3. Para a lista completa de mudanças, veja as notas oficiais de lançamento do pandas 3.0 e do pandas 3.1. Se você mantém código antigo, nosso guia sobre o SettingWithCopyWarning explica o comportamento que o Copy-on-Write substituiu.

Importando dados no pandas

Para começar a trabalhar com o pandas, importe o pacote conforme abaixo. Ao importar, o alias mais comum é pd.

import pandas as pdTecnologia

Importando arquivos CSV

Use read_csv() com o caminho do arquivo para ler um CSV (veja nosso tutorial sobre importação com read_csv() para mais detalhes).

df = pd.read_csv("diabetes.csv")Tecnologia

Essa leitura carrega o arquivo diabetes.csv em um DataFrame chamado df. Ao longo do tutorial, usamos o conjunto de dados Pima Indians Diabetes: 768 pacientes, oito medições de saúde como Glucose, BMI e Age, e uma coluna Outcome onde 1 significa diagnóstico de diabetes.

Importando arquivos de texto

Ler arquivos de texto é parecido com CSV. A única nuance é especificar um separador com o argumento sep, como abaixo. O separador é o caractere que separa os valores (colunas) em cada linha. Vírgula (sep=","), tabulação (sep="\t"), dois-pontos (sep=":") e espaço em branco (sep=r"\s+") são os mais comuns. r"\s+" é uma expressão regular que casa um ou mais espaços em branco; o prefixo r cria uma raw string, então o Python não trata \s como sequência de escape inválida.

df = pd.read_csv("diabetes.txt", sep=r"\s+")Tecnologia

Importando arquivos Excel (uma planilha)

Leia arquivos Excel com a função read_excel(), passando o caminho do arquivo. O pandas precisa de um pacote extra para Excel: instale openpyxl para arquivos .xlsx ou xlrd para os antigos .xls.

df = pd.read_excel('diabetes.xlsx')Tecnologia

Você também pode especificar outros argumentos, como header para definir qual linha vira o cabeçalho do DataFrame. O padrão é 0, que marca a primeira linha como nomes de coluna. Você pode definir nomes de coluna como uma lista no argumento names. O argumento index_col (padrão None) pode ser usado se o arquivo contiver um índice de linhas.

Observação: Em um DataFrame ou Series do pandas, o índice identifica a posição de uma linha ou coluna. Em resumo, o índice rotula a linha ou a coluna do DataFrame e permite acessar um item específico usando seu índice (você verá isso adiante). O índice de linhas pode ser um intervalo (ex.: 0 a 303), uma série temporal (datas ou timestamps), um identificador único (ex.: employee_ID em uma tabela employees) ou outros tipos. Para colunas, geralmente é uma string (o nome da coluna).

Importando arquivos Excel (múltiplas planilhas)

Ler Excel com várias planilhas não é muito diferente. Basta usar o argumento adicional sheet_name, passando uma string com o nome da planilha ou um inteiro com a posição (lembre que o Python usa indexação base 0; a primeira planilha é sheet_name = 0)

# Extraindo a segunda planilha (Python usa indexação base 0)
df = pd.read_excel('diabetes_multi.xlsx', sheet_name=1)Tecnologia

Importando arquivo JSON

Semelhante ao read_csv(), você pode usar read_json() para arquivos JSON, passando o nome do arquivo (para mais detalhes, leia este tutorial sobre importar JSON e HTML no pandas). O código abaixo lê um JSON do disco e cria um DataFrame df.

df = pd.read_json("diabetes.json")Tecnologia

Se quiser aprender mais sobre importação com pandas, confira este cheat sheet sobre importação de vários tipos de arquivo em Python.

Importando dados de bancos SQL

Para carregar dados de um banco relacional, use pd.read_sql() junto com uma conexão de banco.

import sqlite3

# Abre uma conexão com um banco SQLite
conn = sqlite3.connect("my_database.db")

# Lê dados de uma tabela
df = pd.read_sql("SELECT * FROM my_table", conn)Tecnologia

Para outros bancos, como PostgreSQL ou MySQL, passe um engine do SQLAlchemy como conexão em vez de sqlite3. Para tabelas grandes, defina o argumento chunksize para ler o resultado em lotes.

Importando dados de uma API (formato JSON)

Se seus dados vêm de uma API web, o pandas pode ler direto usando pd.read_json():

df = pd.read_json("https://api.example.com/data.json")Tecnologia

Se a resposta da API for um JSON aninhado, achate-o com pd.json_normalize(), que transforma chaves aninhadas em colunas separadas por ponto:

records = [
    {"id": 1, "vitals": {"glucose": 148, "bmi": 33.6}},
    {"id": 2, "vitals": {"glucose": 85, "bmi": 26.6}},
]
pd.json_normalize(records)Tecnologia

   id  vitals.glucose  vitals.bmi
0   1             148        33.6
1   2              85        26.6Tecnologia

Exportando dados no pandas

Assim como o pandas importa dados de vários formatos, ele também exporta para diversos tipos. Isso é comum quando você transforma dados com pandas e precisa salvá-los localmente. Veja como exportar DataFrames para diferentes formatos.

Exportar um DataFrame para CSV

Um DataFrame (aqui usamos df) é salvo como CSV com o método .to_csv(). Passe o caminho do arquivo e defina index=False a menos que você precise do índice de linhas no arquivo (o padrão, index=True, escreve o índice como uma coluna extra sem nome). Nosso tutorial sobre salvar um DataFrame em CSV cobre os outros argumentos.

df.to_csv("diabetes_out.csv", index=False)Tecnologia

Exportar um DataFrame para JSON

Exporte um DataFrame para JSON chamando .to_json().

df.to_json("diabetes_out.json")Tecnologia

Observação: Um arquivo JSON armazena um objeto tabular como pares chave-valor. Assim, você verá cabeçalhos de coluna repetidos no JSON.

Exportar um DataFrame para arquivo de texto

Como ao escrever CSVs, você pode chamar .to_csv(). As diferenças são que a saída é .txt e você deve definir um separador com o argumento sep.

df.to_csv('diabetes_out.txt', header=df.columns, index=None, sep=' ')Tecnologia

Exportar um DataFrame para Excel

Chame .to_excel() no DataFrame para salvar como .xlsx (isso requer openpyxl). O pandas não grava mais arquivos .xls legados.

df.to_excel("diabetes_out.xlsx", index=False)Tecnologia

Visualizando e entendendo DataFrames no pandas

Depois de ler dados tabulares em um DataFrame, vale dar uma olhada geral. Você pode ver uma amostra pequena do conjunto ou um resumo estatístico.

Como visualizar dados com .head() e .tail()

Veja as primeiras ou últimas linhas de um DataFrame com .head() ou .tail(), respectivamente. Você pode especificar o número de linhas pelo argumento n (padrão 5).

df.head()Tecnologia

Primeiras cinco linhas do DataFrame

df.tail(n = 10)Tecnologia

Últimas 10 linhas do DataFrame

Entendendo os dados com .describe()

O método .describe() imprime estatísticas de resumo de todas as colunas numéricas, como contagem, média, desvio padrão, faixa e quartis.

df.describe()Tecnologia

Obtenha estatísticas de resumo com .describe()

Isso dá uma visão rápida da escala, assimetria e faixa dos dados numéricos.

Você também pode ajustar os quartis usando o argumento percentiles. Aqui, por exemplo, olhamos para os percentis de 30%, 50% e 70% nas colunas numéricas do DataFrame df.

df.describe(percentiles=[0.3, 0.5, 0.7])Tecnologia

Estatísticas de resumo com percentis específicos

Você também pode isolar tipos específicos no resumo usando o argumento include. Aqui, por exemplo, estamos resumindo apenas colunas com tipo de dado integer.

df.describe(include=[int])Tecnologia

Resumo apenas das colunas inteiras

Da mesma forma, você pode excluir certos tipos usando o argumento exclude.

df.describe(exclude=[int])Tecnologia

              BMI  DiabetesPedigreeFunction
count  768.000000                768.000000
mean    31.992578                  0.471876
std      7.884160                  0.331329
min      0.000000                  0.078000
25%     27.300000                  0.243750
50%     32.000000                  0.372500
75%     36.600000                  0.626250
max     67.100000                  2.420000Tecnologia

Muitas vezes é mais fácil visualizar essas estatísticas transpondo com o atributo .T.

df.describe().TTecnologia

Transpondo o resumo estatístico com .T

Para saber mais sobre descrição de DataFrames, confira este cheat sheet.

Entendendo os dados com .info()

O método .info() é uma forma rápida de ver tipos de dados, valores ausentes e tamanho de um DataFrame. Aqui, definimos show_counts como True, que mostra o número de valores não ausentes em cada coluna. Também definimos memory_usage como True, que exibe o uso total de memória dos elementos do DataFrame. Quando verbose é True, ele imprime o resumo completo de .info().

df.info(show_counts=True, memory_usage=True, verbose=True)Tecnologia

<class 'pandas.DataFrame'>
RangeIndex: 768 entries, 0 to 767
Data columns (total 9 columns):
 #   Column                    Non-Null Count  Dtype  
---  ------                    --------------  -----  
 0   Pregnancies               768 non-null    int64  
 1   Glucose                   768 non-null    int64  
 2   BloodPressure             768 non-null    int64  
 3   SkinThickness             768 non-null    int64  
 4   Insulin                   768 non-null    int64  
 5   BMI                       768 non-null    float64
 6   DiabetesPedigreeFunction  768 non-null    float64
 7   Age                       768 non-null    int64  
 8   Outcome                   768 non-null    int64  
dtypes: float64(2), int64(7)
memory usage: 54.1 KBTecnologia

Entendendo seus dados com .shape

O número de linhas e colunas de um DataFrame é identificado pelo atributo .shape. Ele retorna uma tupla (linhas, colunas) e pode ser indexado para obter apenas a contagem de linhas ou de colunas.

df.shape # Número de linhas e colunas
df.shape[0] # Número de linhas
df.shape[1] # Número de colunasTecnologia

(768,9)
768
9Tecnologia

Listar todas as colunas e nomes de colunas

Chamar o atributo .columns de um DataFrame retorna os nomes das colunas como um objeto Index. Relembrando: um índice no pandas é o endereço/rótulo de linha ou coluna.

df.columnsTecnologia

Index(['Pregnancies', 'Glucose', 'BloodPressure', 'SkinThickness', 'Insulin', 'BMI',
       'DiabetesPedigreeFunction', 'Age', 'Outcome'],
      dtype='str')Tecnologia

Você pode convertê-lo em lista usando list().

list(df.columns)Tecnologia

['Pregnancies',
 'Glucose',
 'BloodPressure',
 'SkinThickness',
 'Insulin',
 'BMI',
 'DiabetesPedigreeFunction',
 'Age',
 'Outcome']Tecnologia

Verificando valores ausentes no pandas com .isnull()

O DataFrame de exemplo não tem valores ausentes. Vamos inserir alguns para deixar mais interessante. O método .copy() cria uma cópia do DataFrame original. Trabalhar na cópia mantém o df intacto para os exemplos seguintes. Usando .loc (coberto mais adiante), você pode definir as linhas rotuladas de 2 a 5 da coluna Pregnancies como ausentes. Como ausências são armazenadas como NaN, um float, o pandas converte a coluna de int64 para float64.

df2 = df.copy()
df2.loc[2:5,'Pregnancies'] = None
df2.head(7)Tecnologia

Agora as linhas 2 a 5 estão NaN

Você pode verificar se cada elemento é ausente usando o método .isnull().

df2.isnull().head(7)Tecnologia

Como muitas vezes é mais útil saber quanto falta, combine .isnull() com .sum() para contar o número de nulos em cada coluna.

df2.isnull().sum()Tecnologia

Pregnancies                 4
Glucose                     0
BloodPressure               0
SkinThickness               0
Insulin                     0
BMI                         0
DiabetesPedigreeFunction    0
Age                         0
Outcome                     0
dtype: int64Tecnologia

Você também pode somar duas vezes para obter o total de nulos no DataFrame.

df2.isnull().sum().sum()Tecnologia

4Tecnologia

Ordenando, fatiando e extraindo dados no pandas

O pandas oferece várias formas de ordenar, criar subconjuntos, filtrar e isolar dados nos seus DataFrames. Aqui vão as mais comuns.

Ordenando dados

Para ordenar um DataFrame por uma coluna específica, use .sort_values(). Ele retorna um novo DataFrame ordenado e deixa df inalterado, então atribua o resultado a uma variável se quiser mantê-lo:

df.sort_values(by="Age", ascending=False)  # Ordena por Age em ordem decrescenteTecnologia

Você pode ordenar por múltiplas colunas:

df.sort_values(by=["Age", "Glucose"], ascending=[False, True])Tecnologia

Reiniciando o índice

Ordenar ou filtrar mantém os rótulos de linha originais, então o índice pode ficar fora de ordem. Use .reset_index() para obter um índice novo começando em 0 (veja nosso tutorial de reset de índice no pandas para mais opções):

df_sorted = df.sort_values(by="Age", ascending=False).reset_index(drop=True)  # drop=True descarta o índice antigo
df_sorted[["Age", "Glucose", "Outcome"]].head(3)Tecnologia

   Age  Glucose  Outcome
0   81      134        0
1   72      119        0
2   70      145        1Tecnologia

Isolando uma coluna usando [ ] 

Você pode isolar uma única coluna usando colchetes [ ] com o nome da coluna. A saída é uma Series do pandas. Uma Series é um array unidimensional com dados de qualquer tipo, como inteiro, float, string, booleano, objetos Python etc. Um DataFrame é composto por várias Series que funcionam como colunas.

df['Outcome']Tecnologia

0      1
1      0
2      1
3      0
4      1
      ..
763    0
764    0
765    0
766    1
767    0
Name: Outcome, Length: 768, dtype: int64Tecnologia

Isolando duas ou mais colunas usando [[ ]] 

Você também pode fornecer uma lista de nomes de colunas dentro dos colchetes para buscar mais de uma coluna. Aqui, os colchetes são usados de duas formas: os externos indicam um subconjunto do DataFrame e os internos criam uma lista.

df[['Pregnancies', 'Outcome']]Tecnologia

     Pregnancies  Outcome
0              6        1
1              1        0
2              8        1
3              1        0
4              0        1
..           ...      ...
763           10        0
764            2        0
765            5        0
766            1        1
767            1        0

[768 rows x 2 columns]Tecnologia

Isolando uma linha usando [ ] 

Uma única linha pode ser obtida passando uma Series booleana com um valor True. No exemplo abaixo, é retornada a segunda linha com index = 1. Aqui, .index retorna os rótulos das linhas do DataFrame, e a comparação vira um array booleano unidimensional.

df[df.index==1]Tecnologia

Isolando uma linha no pandas

Isolando duas ou mais linhas usando [ ] 

Da mesma forma, duas ou mais linhas podem ser retornadas usando o método .isin() em vez do operador ==.

df[df.index.isin(range(2,10))]Tecnologia

Isolando linhas específicas no pandas

Usando .loc[] e .iloc[] para buscar linhas

Você pode buscar linhas específicas por rótulos ou condições usando .loc[] e .iloc[] ("location" e "integer location"). .loc[] usa o rótulo para apontar para linha, coluna ou célula, enquanto .iloc[] usa a posição numérica. Nosso guia de loc vs iloc cobre todas as diferenças; para ver a principal aqui, vamos alterar o índice de df2 criado antes para que rótulos e posições não coincidam mais.

df2.index = range(1,769)Tecnologia

O exemplo abaixo retorna uma Series em vez de um DataFrame. Em .loc[1], 1 é um rótulo, então ele retorna a linha rotulada 1 (a primeira após a reindexação). Em .iloc[1], 1 é uma posição base 0, então retorna a segunda linha, que tem rótulo 2.

df2.loc[1]Tecnologia

Pregnancies                   6.000
Glucose                     148.000
BloodPressure                72.000
SkinThickness                35.000
Insulin                       0.000
BMI                          33.600
DiabetesPedigreeFunction      0.627
Age                          50.000
Outcome                       1.000
Name: 1, dtype: float64Tecnologia

df2.iloc[1]Tecnologia

Pregnancies                  1.000
Glucose                     85.000
BloodPressure               66.000
SkinThickness               29.000
Insulin                      0.000
BMI                         26.600
DiabetesPedigreeFunction     0.351
Age                         31.000
Outcome                      0.000
Name: 2, dtype: float64Tecnologia

Você também pode buscar várias linhas fornecendo um intervalo entre colchetes. Os dois acessores tratam o final do intervalo de forma diferente: .loc[100:110] inclui o rótulo 110 e retorna 11 linhas, enquanto .iloc[100:110] para antes da posição 110 e retorna 10 linhas.

df2.loc[100:110]Tecnologia

Isolando linhas no pandas com .loc[]

df2.iloc[100:110]Tecnologia

Isolando linhas no pandas com .iloc[]

Você também pode criar subconjuntos com .loc[] e .iloc[] usando uma lista em vez de intervalo.

df2.loc[[100, 200, 300]]Tecnologia

Isolando linhas com lista no .loc[]

df2.iloc[[100, 200, 300]]Tecnologia

Isolando linhas com lista no .iloc[]

Você também pode selecionar colunas específicas junto com linhas. Aqui .iloc[] difere de .loc[] — ele exige posição das colunas, não rótulos.

df2.loc[100:110, ['Pregnancies', 'Glucose', 'BloodPressure']]Tecnologia

     Pregnancies  Glucose  BloodPressure
100          1.0      122             90
101          1.0      163             72
102          1.0      151             60
103          0.0      125             96
104          1.0       81             72
105          2.0       85             65
106          1.0      126             56
107          1.0       96            122
108          4.0      144             58
109          3.0       83             58
110          0.0       95             85Tecnologia

df2.iloc[100:110, :3]Tecnologia

     Pregnancies  Glucose  BloodPressure
101          1.0      163             72
102          1.0      151             60
103          0.0      125             96
104          1.0       81             72
105          2.0       85             65
106          1.0      126             56
107          1.0       96            122
108          4.0      144             58
109          3.0       83             58
110          0.0       95             85Tecnologia

Para fluxos mais rápidos, você pode passar o índice inicial de uma linha como intervalo.

df2.loc[760:, ['Pregnancies', 'Glucose', 'BloodPressure']]Tecnologia

     Pregnancies  Glucose  BloodPressure
760          6.0      190             92
761          2.0       88             58
762          9.0      170             74
763          9.0       89             62
764         10.0      101             76
765          2.0      122             70
766          5.0      121             72
767          1.0      126             60
768          1.0       93             70Tecnologia

df2.iloc[760:, :3]Tecnologia

     Pregnancies  Glucose  BloodPressure
761          2.0       88             58
762          9.0      170             74
763          9.0       89             62
764         10.0      101             76
765          2.0      122             70
766          5.0      121             72
767          1.0      126             60
768          1.0       93             70Tecnologia

Você pode atualizar valores combinando .loc[] com o operador de atribuição =. Construa a condição a partir do mesmo DataFrame que você está atualizando: uma condição construída a partir de df não se alinha mais com o novo índice de df2, e o pandas gera um erro.

df2.loc[df2["Age"] == 81, "Age"] = 80Tecnologia

Filtrando linhas com condições

pandas permite filtrar dados com condições sobre valores de linhas/colunas. Por exemplo, o código abaixo seleciona a linha onde Blood Pressure é exatamente 122. Aqui estamos isolando linhas com colchetes [ ] como nas seções anteriores. Porém, em vez de indices de linhas ou nomes de colunas, passamos uma condição onde a coluna BloodPressure é igual a 122. Denotamos essa condição com df.BloodPressure == 122.

df[df.BloodPressure == 122]Tecnologia

Isolando linhas com base em uma condição no pandas

O exemplo abaixo busca todas as linhas onde Outcome é 1. Aqui df.Outcome seleciona essa coluna, df.Outcome == 1 retorna uma Series booleana indicando quais Outcome são iguais a 1 e, então, [] pega o subconjunto de df onde essa Series é True.

df[df.Outcome == 1]Tecnologia

Isolando linhas com base em uma condição no pandas

Você pode usar o operador > para comparações. O código abaixo busca Pregnancies, Glucose e BloodPressure para todos os registros com BloodPressure maior que 100.

df.loc[df['BloodPressure'] > 100, ['Pregnancies', 'Glucose', 'BloodPressure']]Tecnologia

     Pregnancies  Glucose  BloodPressure
43             9      171            110
84             5      137            108
106            1       96            122
177            0      129            110
207            5      162            104
362            5      103            108
369            1      133            102
440            0      189            104
549            4      189            110
658           11      127            106
662            8      167            106
672           10       68            106
691           13      158            114Tecnologia

Limpando dados no pandas

Limpeza de dados é uma das tarefas mais comuns em ciência de dados. O pandas permite pré-processar dados para qualquer uso, incluindo o treinamento de modelos de machine learning e deep learning. Vamos usar o DataFrame df2 de antes, com quatro valores ausentes, para ilustrar alguns casos. Relembrando, veja como contar quantos valores ausentes há em um DataFrame.

df2.isnull().sum()Tecnologia

Pregnancies                 4
Glucose                     0
BloodPressure               0
SkinThickness               0
Insulin                     0
BMI                         0
DiabetesPedigreeFunction    0
Age                         0
Outcome                     0
dtype: int64Tecnologia

Técnica #1 para lidar com ausências: remover valores ausentes

Uma forma é descartar os ausentes. Isso é útil quando você tem muitos dados e perder uma pequena parte não impacta a análise. Use .dropna() como abaixo. Aqui, salvamos o resultado em df3.

df3 = df2.copy()
df3 = df3.dropna()
df3.shapeTecnologia

(764, 9) # são 4 linhas a menos que df2Tecnologia

O argumento axis permite escolher se você remove linhas ou colunas com ausências. O padrão remove linhas que contêm NaNs. Use axis = 1 para remover colunas com um ou mais NaN. Como em todo exemplo deste tutorial, reatribuímos o resultado em vez de passar inplace=True, que o pandas 3.1 descontinuou para .dropna().

df3 = df2.dropna(axis=1)
list(df3.columns)Tecnologia

['Glucose', 'BloodPressure', 'SkinThickness', 'Insulin', 'BMI', 'DiabetesPedigreeFunction', 'Age', 'Outcome']Tecnologia

Por padrão, .dropna() remove a linha se qualquer um de seus valores estiver ausente. Defina how como 'all' para remover apenas linhas onde todos os valores estejam ausentes. Nenhuma linha em df2 está completamente vazia, então nada é removido:

df3 = df2.dropna(how="all")
df3.shapeTecnologia

(768, 9)Tecnologia

Técnica #2 para lidar com ausências: substituir valores ausentes

Em vez de remover, você pode substituir por uma estatística-resumo ou um valor fixo. Por exemplo, se faltar um dia em uma semana de leituras de temperatura, preencher com a média da semana mantém a linha e perde pouca informação. O código abaixo preenche os ausentes de Pregnancies com a média da coluna.

df3 = df2.copy()
# Média de Pregnancies
mean_value = df3["Pregnancies"].mean()
# Preenche apenas os ausentes dessa coluna
df3["Pregnancies"] = df3["Pregnancies"].fillna(mean_value)
df3["Pregnancies"].head(7)Tecnologia

1    6.000000
2    1.000000
3    3.846859
4    3.846859
5    3.846859
6    3.846859
7    3.000000
Name: Pregnancies, dtype: float64Tecnologia

Lidando com dados duplicados

Vamos adicionar duplicatas aos dados originais para aprender como eliminá-las. Aqui, usamos pd.concat() para concatenar as linhas de df2 com o próprio df2, adicionando duplicatas perfeitas de cada linha.

df3 = pd.concat([df2, df2])
df3.shapeTecnologia

(1536, 9)Tecnologia

Você pode remover todas as linhas duplicadas (padrão) do DataFrame usando .drop_duplicates().

df3 = df3.drop_duplicates()
df3.shapeTecnologia

(768, 9)Tecnologia

Renomeando colunas

Uma tarefa comum de limpeza é renomear colunas. Passe ao método .rename() um dicionário em columns mapeando nomes antigos para novos:

df3 = df3.rename(columns={"DiabetesPedigreeFunction": "DPF"})
df3[["Glucose", "BMI", "DPF", "Age"]].head()Tecnologia

   Glucose   BMI    DPF  Age
1      148  33.6  0.627   50
2       85  26.6  0.351   31
3      183  23.3  0.672   32
4       89  28.1  0.167   21
5      137  43.1  2.288   33Tecnologia

Você também pode atribuir uma lista completa de nomes a .columns. A lista deve nomear todas as colunas na ordem atual: o pandas atribui por posição, então uma lista fora de ordem rotula seus dados de forma equivocada sem aviso.

df3.columns = ["Pregnancies", "Glucose", "BloodPressure", "SkinThickness", "Insulin", "BMI", "DPF", "Age", "Outcome"]
list(df3.columns)Tecnologia

['Pregnancies', 'Glucose', 'BloodPressure', 'SkinThickness', 'Insulin', 'BMI', 'DPF', 'Age', 'Outcome']Tecnologia

Para mais sobre limpeza de dados e para fluxos mais fáceis e previsíveis, confira este checklist, que traz um conjunto abrangente de tarefas comuns de data cleaning.

Combinando DataFrames no pandas

pandas combina DataFrames de duas formas: .merge() faz junções por colunas-chave compartilhadas, como um join em SQL, e pd.concat() empilha tabelas em cima ou lado a lado.

Mesclando DataFrames com .merge()

Use .merge() quando duas tabelas compartilham uma coluna-chave. Suponha que uma segunda tabela mapeie cada código Outcome para um rótulo legível. Um left merge em Outcome adiciona esse rótulo a cada linha de paciente:

outcome_labels = pd.DataFrame({"Outcome": [0, 1], "Diagnosis": ["Non-diabetic", "Diabetic"]})

df_labeled = df.merge(outcome_labels, on="Outcome", how="left")
df_labeled[["Glucose", "Outcome", "Diagnosis"]].head(3)Tecnologia

   Glucose  Outcome     Diagnosis
0      148        1      Diabetic
1       85        0  Non-diabetic
2      183        1      DiabeticTecnologia

O argumento how define o tipo de junção: "left" mantém todas as linhas de df, "inner" mantém apenas as que têm correspondência nas duas tabelas e "outer" mantém todas as linhas de ambas. Nosso tutorial sobre como juntar DataFrames no pandas cobre .join() e todos os tipos em detalhe.

Concatenando DataFrames com pd.concat()

Use pd.concat() quando as tabelas têm as mesmas colunas e você quer empilhar as linhas — por exemplo, registros de pacientes que chegam em dois lotes. Defina ignore_index=True para obter um índice novo começando em 0, em vez de manter os rótulos de cada lote:

batch_1 = df.iloc[:500]
batch_2 = df.iloc[500:]

df_combined = pd.concat([batch_1, batch_2], ignore_index=True)
df_combined.shapeTecnologia

(768, 9)Tecnologia

Com axis=1, pd.concat() coloca as tabelas lado a lado, casando as linhas pelos rótulos do índice:

measurements = df[["Glucose", "BMI"]]
outcomes = df[["Outcome"]]

pd.concat([measurements, outcomes], axis=1).head(3)Tecnologia

   Glucose   BMI  Outcome
0      148  33.6        1
1       85  26.6        0
2      183  23.3        1Tecnologia

Para praticar na mão as duas abordagens, experimente nosso curso Joining Data with pandas.

Análise de dados no pandas

O grande valor do pandas está na velocidade para analisar dados. Nesta seção, vamos focar em um conjunto de técnicas de análise que você pode usar no pandas.

Operadores de resumo (média, moda, mediana)

Como você viu antes, dá para obter a média de cada coluna com o método .mean().

df.mean()Tecnologia

Pregnancies                   3.845052
Glucose                     120.894531
BloodPressure                69.105469
SkinThickness                20.536458
Insulin                      79.799479
BMI                          31.992578
DiabetesPedigreeFunction      0.471876
Age                          33.240885
Outcome                       0.348958
dtype: float64Tecnologia

A moda pode ser calculada de forma semelhante com .mode().

df.mode()Tecnologia

Imprimindo a moda das colunas no pandas

Da mesma forma, a mediana de cada coluna é calculada com .median()

df.median()Tecnologia

Pregnancies                   3.0000
Glucose                     117.0000
BloodPressure                72.0000
SkinThickness                23.0000
Insulin                      30.5000
BMI                          32.0000
DiabetesPedigreeFunction      0.3725
Age                          29.0000
Outcome                       0.0000
dtype: float64Tecnologia

Criar novas colunas a partir de colunas existentes 

O pandas fornece computação rápida e eficiente ao combinar colunas como variáveis escalares. O código abaixo divide cada valor da coluna Glucose pelo valor correspondente em Insulin para criar a coluna Glucose_Insulin_Ratio.

df2['Glucose_Insulin_Ratio'] = df2['Glucose']/df2['Insulin']
df2.head()Tecnologia

Criar uma nova coluna a partir de colunas existentes no pandas

Linhas onde Insulin é 0 mostram inf, pois dividir por zero dá infinito. Neste conjunto, 0 em Insulin indica medição ausente (374 das 768 linhas), então trate esses zeros como ausentes antes de dividir:

df2["Glucose_Insulin_Ratio"] = df2["Glucose"] / df2["Insulin"].where(df2["Insulin"] > 0)
df2["Glucose_Insulin_Ratio"].head()Tecnologia

1         NaN
2         NaN
3         NaN
4    0.946809
5    0.815476
Name: Glucose_Insulin_Ratio, dtype: float64Tecnologia

.where() mantém valores que atendem à condição e substitui o restante por NaN, então a razão fica ausente em vez de infinita nessas linhas. Nosso tutorial sobre adicionar colunas no pandas mostra mais formas de derivar novas colunas.

Contagens com .value_counts()

Quando uma coluna guarda categorias, você geralmente quer contar quantas observações caem em cada uma. O método .value_counts() faz isso. Aqui, por exemplo, contamos quantas observações têm Outcome diabético (1) e quantas têm Outcome não diabético (0).

df['Outcome'].value_counts()Tecnologia

Outcome
0    500
1    268
Name: count, dtype: int64Tecnologia

Adicionar o argumento normalize retorna proporções em vez de contagens absolutas.

df['Outcome'].value_counts(normalize=True)Tecnologia

Outcome
0    0.651042
1    0.348958
Name: proportion, dtype: float64Tecnologia

Desative a ordenação automática dos resultados usando o argumento sort (padrão True). O padrão ordena pelas contagens em ordem decrescente.

df['Outcome'].value_counts(sort=False)Tecnologia

Outcome
1    268
0    500
Name: count, dtype: int64Tecnologia

Você também pode aplicar .value_counts() a um DataFrame e a colunas específicas em vez de apenas a uma coluna. Aqui, por exemplo, aplicamos value_counts() em df com o argumento subset, que recebe uma lista de colunas.

df.value_counts(subset=['Pregnancies', 'Outcome'])Tecnologia

Pregnancies  Outcome
1            0          106
2            0           84
0            0           73
3            0           48
4            0           45
0            1           38
5            0           36
6            0           34
1            1           29
3            1           27
7            1           25
4            1           23
8            1           22
5            1           21
7            0           20
2            1           19
9            1           18
6            1           16
8            0           16
10           0           14
             1           10
9            0           10
11           1            7
13           0            5
             1            5
12           0            5
11           0            4
12           1            4
14           1            2
15           1            1
17           1            1
Name: count, dtype: int64Tecnologia

Agregando dados com .groupby() no pandas

pandas permite agregar valores agrupando por valores de colunas específicas. Você faz isso combinando .groupby() com um método de resumo à sua escolha. O código abaixo mostra a média de cada coluna numérica agrupada por Outcome.

df.groupby('Outcome').mean()Tecnologia

Agregando dados por uma coluna no pandas

.groupby() permite agrupar por mais de uma coluna passando uma lista de nomes, como abaixo.

df.groupby(['Pregnancies', 'Outcome']).mean()Tecnologia

Agregando dados por duas colunas no pandas

Qualquer método de resumo pode ser usado com .groupby(), incluindo .min(), .max(), .mean(), .median(), .sum() e mais. Nosso tutorial de GroupBy no pandas cobre múltiplas agregações com .agg() e outros padrões.

Tabelas dinâmicas (pivot)

pandas também permite calcular estatísticas como tabelas dinâmicas (pivot). Isso facilita tirar conclusões com base na combinação de variáveis. O código abaixo usa as linhas como valores únicos de Pregnancies, as colunas como valores únicos de Outcome, e as células contêm o BMI médio do grupo correspondente.

Por exemplo, para Pregnancies = 5 e Outcome = 0, o BMI médio é 31,1.

pd.pivot_table(df, values="BMI", index='Pregnancies', 
               columns=['Outcome'], aggfunc='mean')Tecnologia

Outcome              0          1
Pregnancies                      
0            31.727397  39.213158
1            29.616038  37.793103
2            29.679762  34.578947
3            29.231250  32.548148
4            31.255556  33.873913
5            31.100000  36.780952
6            29.591176  31.775000
7            29.975000  34.756000
8            30.693750  32.204545
9            28.840000  33.300000
10           30.114286  31.380000
11           37.125000  39.385714
12           30.560000  34.575000
13           33.280000  36.720000
14                 NaN  35.100000
15                 NaN  37.100000
17                 NaN  40.900000Tecnologia

Visualização de dados no pandas

pandas fornece wrappers convenientes para as funções de plotagem do Matplotlib para facilitar a visualização dos seus DataFrames. Abaixo, veja como fazer visualizações comuns com pandas.

Gráficos de linha no pandas

pandas permite traçar relações entre variáveis com gráficos de linha. Abaixo, um gráfico de BMI e Glucose em função do índice das linhas.

df[['BMI', 'Glucose']].plot.line()Tecnologia

Gráfico de linha básico com pandas

Você pode escolher as cores usando o argumento color.

df[['BMI', 'Glucose']].plot.line(color={"BMI": "red", "Glucose": "blue"})Tecnologia

Gráfico de linha básico com cores personalizadas

Todas as colunas de df também podem ser plotadas em escalas e eixos diferentes usando o argumento subplots.

df.plot.line(subplots=True)Tecnologia

Subplots para gráficos de linha com pandas

Gráficos de barra no pandas

Para colunas discretas, use um gráfico de barras das contagens por categoria para visualizar a distribuição. A variável Outcome, binária, está abaixo.

df['Outcome'].value_counts().plot.bar()Tecnologia

Gráficos de barras no pandas

Box plots no pandas

A distribuição por quartis de variáveis contínuas pode ser visualizada com boxplot. O código abaixo cria um boxplot com pandas.

df.boxplot(column=['BMI'], by='Outcome')Tecnologia

Boxplots no pandas

Considerações finais

Agora você tem o fluxo essencial do pandas: ler um arquivo em um DataFrame, inspecionar com .head(), .info() e .describe(), selecionar linhas com .loc[] e .iloc[], limpar ausências e duplicatas, fazer merge de tabelas e resumir com .groupby() e tabelas dinâmicas.

Se você aprendeu pandas antes de 2026, vale mudar um hábito: reatribuir resultados em vez de passar inplace=True e fazer toda atualização com uma única chamada .loc[]. A forma mais rápida de fixar o restante é repetir o fluxo em um conjunto de dados que você curta. Estes recursos ajudam você a ir além:

• [Cheat sheets] Uma coletânea de cheat sheets de Python e pandas para consultar durante a sua aprendizagem
• [Treinamentos ao vivo] Nossas sessões gratuitas de code-along, muitas usando pandas
• [Cursos] Data Manipulation with pandas e Joining Data with pandas para prática interativa
• [Preparação para entrevistas] Nossas principais perguntas de entrevista sobre pandas para testar seus conhecimentos
• [Mais tutoriais] Explore nossos outros tutoriais sobre pandas e o ecossistema PyData, incluindo como implementar médias móveis no pandas e usar o método .apply() do pandas