9 min de leitura

#1 - Introdução ao Pandas: Series e DataFrames

Uma introdução ao Pandas explicando os objetos Series e DataFrame, como acessar dados com .loc e como carregar arquivos CSV e JSON.

Imagem de capa

Se você já mexeu com planilhas ou com tabelas de banco de dados, vai se sentir em casa com o Pandas. É a biblioteca Python mais usada para análise e manipulação de dados tabulares — criada por Wes McKinney em 2008 (o nome vem de “Panel Data”) e hoje uma peça praticamente obrigatória em qualquer projeto de ciência de dados feito em Python.

Começo esta série mostrando como instalar a biblioteca e apresentando as duas estruturas de dados que sustentam tudo o que vem depois: a Series e o DataFrame. Termino mostrando como carregar dados de arquivos CSV e JSON, que é normalmente o primeiro passo de qualquer análise de verdade.

O que é o Pandas e pra que ele serve

O Pandas existe pra resolver um problema bem prático: dados do mundo real costumam vir bagunçados, incompletos ou espalhados em arquivos de formatos diferentes. Com o Pandas você consegue:

Os próximos posts da série vão cobrir cada um desses pontos com calma. Por hoje, o foco é entender como o Pandas representa os dados internamente.

Instalando o Pandas

Se você já tem Python e o pip configurados, instalar é uma linha só:

pip install pandas

Depois de instalado, a convenção quase universal é importar o Pandas com o apelido pd:

import pandas as pd

Você vai ver esse import pandas as pd em praticamente todo código Pandas que existe por aí — vale a pena já se acostumar com ele.

Verificando a versão instalada

import pandas as pd

print(pd.__version__)

A saída é algo parecido com:

2.2.2

O número exato depende de quando você instalou a biblioteca, mas o importante é confirmar que o import funcionou sem erro.

Series: a estrutura unidimensional

Uma Series é como uma única coluna de uma tabela: um array unidimensional que guarda uma sequência de valores, cada um associado a um rótulo (o chamado index). Pense nela como um meio-termo entre uma lista Python e um dicionário — tem a ordem de uma lista, mas também rótulos como um dicionário.

Exemplo 1 - criando uma Series a partir de uma lista

import pandas as pd

vendas = [120, 95, 140]
serie_vendas = pd.Series(vendas)
print(serie_vendas)

A saída é:

0    120
1     95
2    140
dtype: int64

Repare na coluna da esquerda: são os rótulos automáticos, numerados a partir de 0. É por eles que você acessa um valor específico, por exemplo serie_vendas[1] retorna 95.

Exemplo 2 - usando rótulos personalizados

Você não precisa ficar preso aos índices numéricos — dá pra nomear cada posição com o parâmetro index:

import pandas as pd

vendas = [120, 95, 140]
dias = ["segunda", "terça", "quarta"]

serie_vendas = pd.Series(vendas, index=dias)
print(serie_vendas)
print(serie_vendas["terça"])

A saída é:

segunda    120
terça       95
quarta     140
dtype: int64
95

Exemplo 3 - criando uma Series a partir de um dicionário

Quando você cria uma Series a partir de um dicionário, as chaves viram os rótulos automaticamente:

import pandas as pd

vendas_mensais = {"jan": 1000, "fev": 1250, "mar": 980}
serie_vendas = pd.Series(vendas_mensais)
print(serie_vendas)

A saída é:

jan    1000
fev    1250
mar     980
dtype: int64

Se quiser trazer só algumas chaves do dicionário, passe o parâmetro index com a lista das que interessam — as demais são ignoradas.

DataFrame: a estrutura tabular

Enquanto a Series representa uma coluna, o DataFrame representa a tabela inteira: uma estrutura de dados de duas dimensões, com linhas e colunas rotuladas — muito parecida com uma planilha ou com uma tabela de banco de dados relacional. Na prática, é a estrutura com a qual você vai trabalhar na maior parte do tempo.

Exemplo - criando um DataFrame com dados de funcionários

A forma mais comum de criar um DataFrame do zero é a partir de um dicionário onde cada chave é uma coluna e o valor é uma lista com os dados daquela coluna:

import pandas as pd

dados = {
    "nome": ["Ana", "Bruno", "Carla"],
    "cargo": ["Analista", "Desenvolvedor", "Gerente"],
    "salario": [4500, 6200, 8900]
}

df = pd.DataFrame(dados)
print(df)

A saída é:

    nome          cargo  salario
0    Ana       Analista     4500
1  Bruno  Desenvolvedor     6200
2  Carla        Gerente     8900

Cada linha ganhou um índice numérico automático, igual aconteceu com a Series. E cada coluna, por baixo dos panos, também é uma Series — um DataFrame nada mais é do que uma coleção de Series que compartilham o mesmo índice.

Acessando linhas com .loc

O acessor .loc é a forma recomendada de buscar uma ou mais linhas pelo rótulo do índice:

print(df.loc[1])

A saída é:

nome       Bruno
cargo      Desenvolvedor
salario     6200
Name: 1, dtype: object

Repare que usar colchete simples (df.loc[1]) devolve uma Series com aquela linha. Se você usar colchete duplo, o retorno é um DataFrame — útil quando quer selecionar mais de uma linha de uma vez:

print(df.loc[[0, 2]])

    nome     cargo  salario
0    Ana  Analista     4500
2  Carla   Gerente     8900

Também dá pra definir seus próprios rótulos de linha na hora de criar o DataFrame, em vez de usar os números automáticos:

df = pd.DataFrame(dados, index=["func1", "func2", "func3"])
print(df.loc["func2"])

Nota: .loc busca pelo rótulo do índice, não pela posição. Se seus índices forem números “fora de ordem” (por exemplo, depois de remover linhas), .loc[1] ainda busca o rótulo 1, não a segunda linha da tabela.

Lendo dados de arquivos CSV e JSON

Criar um DataFrame direto no código é ótimo pra aprender e pra testar coisas rápido, mas no dia a dia os dados quase sempre já existem em algum arquivo. O Pandas tem funções prontas pra carregar os formatos mais comuns.

Lendo um CSV

import pandas as pd

df = pd.read_csv("funcionarios.csv")
print(df.to_string())

O método .to_string() força a exibição de todas as linhas do DataFrame. Sem ele, DataFrames grandes são exibidos de forma resumida (só as primeiras e últimas linhas), porque por padrão o Pandas limita a exibição a um número máximo de linhas — configurável em pd.options.display.max_rows.

import pandas as pd

pd.options.display.max_rows = 9999
df = pd.read_csv("funcionarios.csv")
print(df)

Com esse ajuste, o DataFrame inteiro aparece na tela mesmo que tenha milhares de linhas.

Lendo um JSON

JSON tem praticamente a mesma cara de um dicionário Python, então a leitura funciona de forma parecida:

import pandas as pd

df = pd.read_json("funcionarios.json")
print(df.to_string())

E se seus dados já estiverem em memória como um dicionário Python (por exemplo, vindos de uma resposta de API), nem precisa passar por um arquivo — dá pra criar o DataFrame direto:

import pandas as pd

dados_json = {
    "nome": ["Ana", "Bruno", "Carla"],
    "cargo": ["Analista", "Desenvolvedor", "Gerente"],
    "salario": [4500, 6200, 8900]
}

df = pd.DataFrame(dados_json)
print(df)

Com isso você já tem a base pra começar a trabalhar com dados de verdade. No próximo post da série, vamos usar essas mesmas ideias pra inspecionar e limpar um DataFrame — porque dados do mundo real quase nunca vêm perfeitos.

Fonte adaptada: Pandas Introduction, Pandas Getting Started, Pandas Series, Pandas DataFrames, Pandas Read CSV, Pandas Read JSON