8 - Pandas para Processamento

import pandas as pd

# Criar um DataFrame de exemplo
data = {
    'nome': ['Alice', 'Bob', 'Charlie', 'David', 'Eve'],
    'idade': [24, 27, 22, 32, 29],
    'cidade': ['São Paulo', 'Rio de Janeiro', 'Belo Horizonte', 'Curitiba', 'Porto Alegre']
}
df = pd.DataFrame(data)

# Selecionar uma coluna
print(df['nome'])

# Filtrar dados
df_filtrado = df[df['idade'] > 25]
print(df_filtrado)

# Adicionar uma nova coluna
df['salario'] = [50000, 54000, 61000, 58000, 62000]
print(df)

# Agrupar e calcular a média
media_idade = df.groupby('cidade')['idade'].mean()
print(media_idade)

0      Alice
1        Bob
2    Charlie
3      David
4        Eve
Name: nome, dtype: object
    nome  idade          cidade
1    Bob     27  Rio de Janeiro
3  David     32        Curitiba
4    Eve     29    Porto Alegre
      nome  idade          cidade  salario
0    Alice     24       São Paulo    50000
1      Bob     27  Rio de Janeiro    54000
2  Charlie     22  Belo Horizonte    61000
3    David     32        Curitiba    58000
4      Eve     29    Porto Alegre    62000
cidade
Belo Horizonte    22.0
Curitiba          32.0
Porto Alegre      29.0
Rio de Janeiro    27.0
São Paulo         24.0
Name: idade, dtype: float64

||| Áreas ||| Estatística ||| Python ||| Projetos ||| Dicas & Truques ||| Quantum ||| Python com ML Básico || Python para Iniciantes || Python Básico || Matplotlib || Numpy || Seaborn || Pandas || Django || Estatística para Cientistas de Dados || Python com ML Básico || Python com ML Básico || Aulas | Introdução (Introdução) | Guia Rápido do Python (Guia Rápido do Python) | Aprendizado (Aprendizado supervisionado, não supervisionado e por reforço) | Modelos (Modelos de Regressão e Classificação) | Agrupamento (Algoritmos de Agrupamento) | Pre-processamento de Dados (Pré-processamento de dados e técnicas de engenharia de características) | Métricas (Métricas de avaliação para modelos de ML) | Treinamento e Avaliação (Funções para pré-processamento de dados, treinamento de modelos e avaliação) | Seaborn e Matplotlib (Seaborn e Matplotlib para visualização) | Pandas (Pandas para processamento) | Scikit-learn (Scikit-learn, uma biblioteca de ML em Python) | R (Pacotes dplyr, caret e vip para R) | Emsemble e RNA (Métodos de ensemble e redes neurais artificiais) | Aplicações (Aplicações de aprendizado de máquina) | Matemática (Fundamentos matemáticos para ML) | Otimização (Métodos de otimização e treinamento de modelos) | Problemas Comuns (Problemas comuns de ML e MLOps) | Ferramentas de Nuvem (Ferramentas baseadas em nuvem como GCP, AWS e Microsoft Azure) | Frameworks e Bibliotecas DL (Ferramentas de MLOps de código aberto como MLflow) | Ajustes de Hiperparâmetros (Técnicas de ajuste de hiperparâmetros como grid search e random search) | Frameworks e Biblioteca DL (Frameworks e bibliotecas de deep learning como PyTorch e TensorFlow) | Implementação (Implementar soluções de ML com conjuntos de dados do mundo real) | NLP (Visão computacional e Processamento de Linguagem Natural (NLP)) | Arquiteturas DL (Arquiteturas avançadas de deep learning como RNNs e GANs) | Arquiteturas LLM (Arquiteturas de transformadores em LLMs (BERT e GPT)) | Design (Design de aprendizado por reforço e RAG) | Ciclo de Vida de MLOps (Ciclo de vida de MLOps e últimas tendências de pesquisa em ML) | Provedores (Provedores de nuvem e ferramentas de código aberto para ciclo de vida completo de MLOps) | Frameworks RL (Frameworks de aprendizado por reforço como OpenAI Gym) | Ferramentas LLM (Langchain e ferramentas similares para LLMs customizados) | Repositórios LLKM (Desenvolver ou usar LLMs de repositórios como Hugging Face) | Arquitetura DL (Arquiteturas de deep learning com TensorFlow / PyTorch) |