Series, DataFrames e índices

Uma Series é uma sequência de valores com rótulos. Um DataFrame é uma tabela com colunas e um índice de linhas. Cada coluna pode ter um tipo diferente. O índice identifica as linhas nas operações de seleção e alinhamento.

Construir uma tabela

import pandas as pd
vendas = pd.DataFrame({
    "cidade": ["Porto", "Porto", "Braga", "Braga"],
    "produto": ["pão", "leite", "pão", "arroz"],
    "quantidade": [2, 3, 5, 4],
    "preco": [1.5, 1.2, 1.5, 2.0],
})
print(vendas.to_string(index=False))
print(vendas.shape)
print(vendas.dtypes)

Há quatro observações e quatro colunas, por isso shape é (4, 4). Cada linha representa uma venda. Quantidade é uma contagem; preço é o preço por unidade em euros. Ainda não há uma coluna de total.

vendas["quantidade"] devolve uma Series. vendas[["quantidade"]] devolve um DataFrame com uma coluna. A diferença afeta a forma e as operações seguintes.

pd.Series([10, 20], index=["a", "b"]) associa 10 a a e 20 a b. A série não é apenas um array com uma legenda: os rótulos participam nas operações.

Inspecionar antes de transformar

info() escreve informação e devolve None. Os tipos de strings podem aparecer como object, string ou str, consoante a versão e a construção. Confere operações e significado dos valores, não apenas o nome visual do tipo.

Ler um CSV

vendas = pd.read_csv("vendas.csv", sep=";", decimal=",")

sep indica o separador dos campos. decimal indica o separador decimal dentro de valores numéricos. dtype={"codigo": "string"} evita que um código como "0012" perca os zeros iniciais. usecols lê apenas as colunas necessárias e parse_dates pode interpretar colunas de datas, mas confere o formato recebido.

No navegador, os exemplos usam StringIO e dados visíveis. Num notebook local, substitui esse objeto pelo caminho do ficheiro. Exporta uma tabela com df.to_csv("resultado.csv", index=False) se o índice não fizer parte dos dados; sem esse argumento, pandas escreve-o como mais uma coluna.

O alinhamento usa rótulos

import pandas as pd
a = pd.Series([10, 20], index=["Porto", "Braga"])
b = pd.Series([1, 2], index=["Braga", "Porto"])
print((a + b).sort_index().to_dict())
c = pd.Series([3], index=["Aveiro"])
print(a.add(c, fill_value=0).sort_index().to_dict())

O primeiro resultado é Braga 21 e Porto 12. Não somamos a primeira posição à primeira posição: somamos os valores da mesma cidade. Quando um rótulo só está num dos lados, a operação normal produz um valor em falta nesse rótulo. fill_value=0 é adequado aqui apenas porque interpretamos a ausência como nenhuma quantidade para acrescentar.

Tornar o índice explícito

df.set_index("codigo") devolve uma tabela com essa coluna como índice. reset_index() devolve o índice para uma coluna e cria posições de zero em diante. Um índice pode ter valores repetidos. Se o problema exige uma chave única, verifica df.index.is_unique ou df["codigo"].is_unique em vez de o assumir.