Pandas: Leitura e Escrita de Dados

Q: O read_excel requer bibliotecas adicionais?

Sim. Arquivos .xlsx requerem pip install openpyxl , e arquivos .xls requerem pip install xlrd . O Pandas 2.x usa o mecanismo openpyxl por padrão. Se você vir um erro "Missing optional dependency", basta instalar a biblioteca correspondente.

Q: Como usar o chunksize?

pd.read_csv(path, chunksize=N) retorna um objeto TextFileReader. Cada iteração gera um DataFrame de N linhas. Ideal para arquivos que excedem a memória disponível — processe por partes, agregue por partes, salve por partes. Nota: o modo chunksize não suporta acesso aleatório; lê apenas sequencialmente.

Q: Como ler apenas colunas específicas?

Use o parâmetro usecols : pd.read_csv(path, usecols=['col1', 'col3']) seleciona por nome da coluna, ou usecols=[0, 2, 4] seleciona por posição. Carregar apenas as colunas necessárias pode reduzir drasticamente o uso de memória, especialmente para tabelas largas (100+ colunas mas você só precisa de 5).

Última atualização: 2026-08-26

Em projetos reais, os dados não surgem do nada no seu código — eles vêm de arquivos CSV, planilhas do Excel, bancos de dados e endpoints de API. O Pandas oferece mais de 20 funções de IO que permitem carregar e salvar dados em diversos formatos com uma única linha de código. Esta seção aborda os 4 formatos mais comuns (CSV / Excel / JSON / SQL), além de dicas práticas para codificação e tratamento de arquivos grandes.

⚠️ Observação: O código abaixo deve ser executado em um ambiente Python local. Alguns exemplos utilizam StringIO para simular a leitura e escrita de arquivos.

1. O Que Você Aprenderá

❶ read_csv / to_csv em profundidade
❷ read_excel / to_excel com tratamento de múltiplas abas
❸ read_json / to_json tratamento de formato
❹ read_sql / to_sql interação com banco de dados
❺ Problemas de encoding e estratégias para arquivos grandes (chunksize)

2. O Pesadelo de Codificação do Bob

(1) A Dor: O CSV Abre como Texto Ilegível

Bob recebe um CSV de dados do cliente e carrega com parâmetros padrão — todos os caracteres chineses se transformam em ilegibilidade:

PYTHON

import pandas as pd
# Isso falha ou produz texto ilegível
# df = pd.read_csv('customers.csv')  # UnicodeDecodeError!

TEXT 📖 Somente leitura

> **Saída:** Execute isto no seu ambiente local Python (pandas 2.x). O servidor Piston não tem pandas pré-instalado. Por favor, instale-o localmente (`pip install pandas`) e siga alongado. Os valores reais podem variar ligeramente dependendo da sua versão do pandas.

A razão: o arquivo está codificado em GBK, mas o Pandas o lê como UTF-8 por padrão.

(2) A Solução: Especificar a codificação

▶ Exemplo: Tratamento de Codificação (Dificuldade ⭐)

PYTHON

import pandas as pd
from io import StringIO

# Simular CSV codificado em GBK
csv_gbk = "name,age,city\nAlice,28,Beijing\nBob,34,Shanghai"
# Em um cenário real: pd.read_csv('file.csv', encoding='gbk')

# UTF-8 (padrão) — funciona para a maioria dos arquivos modernos
csv_utf8 = "name,age,city\nAlice,28,New York\nBob,34,London"
df = pd.read_csv(StringIO(csv_utf8))
print(df)
#    name  age      city
# 0  Alice   28  New York
# 1    Bob   34    London

TEXT 📖 Somente leitura

> **Saída:** Execute isto no seu ambiente local Python (pandas 2.x). O servidor Piston não tem pandas pré-instalado. Por favor, instale-o localmente (`pip install pandas`) e siga alongado. Os valores reais podem variar ligeramente dependendo da sua versão do pandas.

(3) O Retorno: Funções de IO Concluem em Uma Linha

Cenário	Uma linha
Ler CSV	`pd.read_csv('data.csv')`
Escrever CSV	`df.to_csv('out.csv', index=False)`
Ler Excel	`pd.read_excel('data.xlsx')`
Ler SQL	`pd.read_sql('SELECT * FROM t', conn)`

3. Leitura e Escrita de CSV

(1) Parâmetros Comuns do `read_csv`

▶ Exemplo

TEXT 📖 Somente leitura

> **Saída:** Execute isso no seu ambiente local Python (pandas 2.x). O servidor Piston não tem pandas pré-instalado. Por favor, instale-o localmente (`pip install pandas`) e acompanhe. Os valores reais podem variar ligeiramente dependendo da sua versão do pandas.

: Detalhes dos Parâmetros do read_csv (Dificuldade ⭐⭐)

PYTHON

import pandas as pd
from io import StringIO

csv_data = """product_id,product_name,price,stock,category
P001,Laptop,999.99,50,Electronics
P002,Phone,699.99,120,Electronics
P003,Tablet,349.99,80,Electronics
P004,Monitor,449.99,35,Electronics
P005,Keyboard,79.99,200,Accessories"""

# Leitura básica
df = pd.read_csv(StringIO(csv_data))
print(df.columns)  # detectado automaticamente da primeira linha

# Parâmetros principais (mostrados com dados simulados)
# pd.read_csv('file.csv',
#     encoding='utf-8',        # codificação do arquivo
#     sep=',',                 # delimitador (padrão é vírgula)
#     header=0,                # número da linha para nomes das colunas
#     index_col='product_id',  # coluna a ser usada como índice
#     usecols=['product_name', 'price'],  # carregar apenas essas colunas
#     dtype={'price': float, 'stock': int},  # forçar tipos
#     na_values=['N/A', 'NULL'],  # tratar estes como NaN
#     parse_dates=['order_date'],  # analisar como datetime
#     nrows=1000,             # ler apenas as primeiras N linhas
#     chunksize=5000          # iterar em pedaços
# )

# Selecionar colunas específicas (economiza memória)
df_selected = pd.read_csv(StringIO(csv_data), usecols=['product_name', 'price'])
print(df_selected)

TEXT 📖 Somente leitura

> **Saída:** Execute isso no seu ambiente local Python (pandas 2.x). O servidor Piston não tem pandas pré-instalado. Por favor, instale-o localmente (`pip install pandas`) e acompanhe. Os valores reais podem variar ligeiramente dependendo da sua versão do pandas.

(2) Salvando com `to_csv`

▶ Exemplo

TEXT 📖 Somente leitura

> **Saída:** Execute isso no seu ambiente local Python (pandas 2.x). O servidor Piston não tem pandas pré-instalado. Por favor, instale-o localmente (`pip install pandas`) e acompanhe. Os valores reais podem variar ligeiramente dependendo da sua versão do pandas.

: Salvando com to_csv (Dificuldade ⭐)

PYTHON

import pandas as pd
from io import StringIO

df = pd.DataFrame({
    'name': ['Alice', 'Bob', 'Charlie'],
    'age': [28, 34, 25],
    'city': ['New York', 'London', 'Tokyo']
})

# Salvar para uma string CSV (simulando saída de arquivo)
output = StringIO()
df.to_csv(output, index=False)  # index=False — não salvar números das linhas
print(output.getvalue())
# name,age,city
# Alice,28,New York
# Bob,34,London
# Charlie,25,Tokyo

# Arquivo real: df.to_csv('output.csv', index=False, encoding='utf-8')

# Anexar a um arquivo existente
# df.to_csv('output.csv', mode='a', header=False, index=False)

TEXT 📖 Somente leitura

> **Saída:** Execute isso no seu ambiente local Python (pandas 2.x). O servidor Piston não tem pandas pré-instalado. Por favor, instale-o localmente (`pip install pandas`) e acompanhe. Os valores reais podem variar ligeiramente dependendo da sua versão do pandas.

4. Leitura e Escrita de Excel

(1) read_excel com Múltiplas Abas

▶ Exemplo

TEXT 📖 Somente leitura

> **Saída:** Execute isto em seu ambiente Python local (pandas 2.x). O servidor Piston não tem o pandas pré-instalado. Por favor, instale-o localmente (`pip install pandas`) e acompanhe. Os valores reais podem variar ligeramente dependendo da sua versão do pandas.

: Leitura de Excel Multi-Abas (Dificuldade ⭐⭐)

PYTHON

import pandas as pd
from io import BytesIO

# Create a multi-sheet Excel file in memory
buffer = BytesIO()
df1 = pd.DataFrame({'name': ['Alice', 'Bob'], 'score': [85, 92]})
df2 = pd.DataFrame({'product': ['Laptop', 'Phone'], 'price': [999, 699]})

with pd.ExcelWriter(buffer) as writer:
    df1.to_excel(writer, sheet_name='Students', index=False)
    df2.to_excel(writer, sheet_name='Products', index=False)

buffer.seek(0)

# Read specific sheet
students = pd.read_excel(buffer, sheet_name='Students')
print(students)

# Read all sheets as dict
buffer.seek(0)
all_sheets = pd.read_excel(buffer, sheet_name=None)  # dict of DataFrames
print(all_sheets.keys())  # dict_keys(['Students', 'Products'])

# Read by sheet position
buffer.seek(0)
second_sheet = pd.read_excel(buffer, sheet_name=1)  # 0-indexed
print(second_sheet)

TEXT 📖 Somente leitura

> **Saída:** Execute isto em seu ambiente Python local (pandas 2.x). O servidor Piston não tem o pandas pré-instalado. Por favor, instale-o localmente (`pip install pandas`) e acompanhe. Os valores reais podem variar ligeramente dependendo da sua versão do pandas.

💡 Dica: read_excel requer um mecanismo adicional: pip install openpyxl (para .xlsx) ou pip install xlrd (para .xls). O Pandas 2.x usa o openpyxl por padrão.

(2) Salvando com to_excel

▶ Exemplo

TEXT 📖 Somente leitura

> **Saída:** Execute isto em seu ambiente Python local (pandas 2.x). O servidor Piston não tem o pandas pré-instalado. Por favor, instale-o localmente (`pip install pandas`) e acompanhe. Os valores reais podem variar ligeramente dependendo da sua versão do pandas.

: Salvamento e Formatação de Excel (Dificuldade ⭐)

PYTHON

import pandas as pd
from io import BytesIO

df = pd.DataFrame({
    'name': ['Alice', 'Bob', 'Charlie'],
    'salary': [75000, 92000, 68000]
})

# Save to single sheet
buffer = BytesIO()
df.to_excel(buffer, sheet_name='Employees', index=False)

# Save multiple DataFrames to different sheets
buffer2 = BytesIO()
with pd.ExcelWriter(buffer2) as writer:
    df.to_excel(writer, sheet_name='Employees', index=False)
    df.describe().to_excel(writer, sheet_name='Statistics')

TEXT 📖 Somente leitura

> **Saída:** Execute isto em seu ambiente Python local (pandas 2.x). O servidor Piston não tem o pandas pré-instalado. Por favor, instale-o localmente (`pip install pandas`) e acompanhe. Os valores reais podem variar ligeramente dependendo da sua versão do pandas.

5. Leitura e Escrita de JSON

(1) Tipos de Formato JSON

▶ Exemplo

TEXT 📖 Somente leitura

> **Saída:** Execute isso no seu ambiente Python local (pandas 2.x). O servidor Piston não tem o pandas pré-instalado. Por favor, instale-o localmente (`pip install pandas`) e acompanhe. Os valores reais podem variar ligeiramente dependendo da sua versão do pandas.

: Leitura e Escrita em Múltiplos Formatos JSON (Dificuldade ⭐⭐)

PYTHON

import pandas as pd
from io import StringIO

# orient='records' (o mais comum para APIs)
json_records = '[{"name":"Alice","age":28},{"name":"Bob","age":34}]'
df = pd.read_json(StringIO(json_records), orient='records')
print(df)
#     name  age
# 0  Alice   28
# 1    Bob   34

# orient='columns' (orientado a colunas)
json_cols = '{"name":{"0":"Alice","1":"Bob"},"age":{"0":28,"1":34}}'
df2 = pd.read_json(StringIO(json_cols), orient='columns')
print(df2)

# orient='index' (orientado a linhas)
json_idx = '{"0":{"name":"Alice","age":28},"1":{"name":"Bob","age":34}}'
df3 = pd.read_json(StringIO(json_idx), orient='index')
print(df3)

# Escrever para JSON
output = df.to_json(orient='records', indent=2)
print(output)

TEXT 📖 Somente leitura

> **Saída:** Execute isso no seu ambiente Python local (pandas 2.x). O servidor Piston não tem o pandas pré-instalado. Por favor, instale-o localmente (`pip install pandas`) e acompanhe. Os valores reais podem variar ligeiramente dependendo da sua versão do pandas.

(2) Comparação dos orient do JSON

orient	Estrutura	Caso de Uso
records	`[{col:val}, ...]`	Respostas de API (o mais comum)
columns	`{col:{idx:val}}`	Orientado a colunas
index	`{idx:{col:val}}`	Orientado a linhas
split	`{index:[], columns:[], data:[[]]}`	Decomposição completa
values	`[[v1,v2], ...]`	Dados brutos sem rótulos

6. Leitura e Escrita com SQL

(1) Consultas ao Banco de Dados com read_sql

▶ Exemplo

TEXT 📖 Somente leitura

> **Saída:** Execute isso no seu ambiente Python local (pandas 2.x). O servidor Piston não tem o pandas pré-instalado. Por favor, instale-o localmente (`pip install pandas`) e acompanhe. Os valores reais podem variar ligeiramente dependendo da sua versão do pandas.

: Interação com Banco de Dados SQL (Dificuldade ⭐⭐)

PYTHON

import pandas as pd
import sqlite3
from io import StringIO

# Crie um banco de dados SQLite em memória (para demonstração)
conn = sqlite3.connect(':memory:')

# Escreva dados no SQL
df = pd.DataFrame({
    'name': ['Alice', 'Bob', 'Charlie'],
    'department': ['Sales', 'Engineering', 'Marketing'],
    'salary': [75000, 92000, 68000]
})
df.to_sql('employees', conn, if_exists='replace', index=False)

# Leia a tabela inteira
df_read = pd.read_sql('SELECT * FROM employees', conn)
print(df_read)

# Leia com consulta SQL
high_salary = pd.read_sql(
    'SELECT name, salary FROM employees WHERE salary > 70000',
    conn
)
print(high_salary)
#      name  salary
# 0   Alice   75000
# 1     Bob   92000

# Leia com parâmetros (seguro contra injeção SQL)
dept = 'Engineering'
result = pd.read_sql(
    'SELECT * FROM employees WHERE department = ?',
    conn,
    params=[dept]
)
print(result)

conn.close()

TEXT 📖 Somente leitura

> **Saída:** Execute isso no seu ambiente Python local (pandas 2.x). O servidor Piston não tem o pandas pré-instalado. Por favor, instale-o localmente (`pip install pandas`) e acompanhe. Os valores reais podem variar ligeiramente dependendo da sua versão do pandas.

💡 Dica: O read_sql suporta todos os bancos de dados compatíveis com Python DB-API, incluindo SQLite / PostgreSQL / MySQL / SQL Server. Você precisa instalar o driver correspondente: pip install psycopg2 (PostgreSQL), pip install pymysql (MySQL).

7. Estratégias para Arquivos Grandes

(1) Leitura em Pedaços com chunksize

▶ Exemplo

TEXT 📖 Somente leitura

> **Saída:** Execute isso no seu ambiente Python local (pandas 2.x). O servidor Piston não tem pandas pré-instalado. Por favor, instale-o localmente (`pip install pandas`) e acompanhe. Os valores reais podem variar ligeiramente dependendo da sua versão do pandas.

: Tratamento de Arquivos Grandes com chunksize (Dificuldade ⭐⭐)

PYTHON

import pandas as pd
from io import StringIO

# Simula um CSV grande
csv_large = "id,value\n" + "\n".join([f"{i},{i*10}" for i in range(100)])

# Lê em pedaços de 30 linhas
chunks = pd.read_csv(StringIO(csv_large), chunksize=30)

total_sum = 0
total_count = 0

for chunk in chunks:
    total_sum += chunk['value'].sum()
    total_count += len(chunk)

print(f"Total rows: {total_count}")
print(f"Sum of values: {total_sum}")

# Alternativa: processar e salvar cada pedaço
# for i, chunk in enumerate(chunks):
#     chunk.to_csv(f'chunk_{i}.csv', index=False)

TEXT 📖 Somente leitura

> **Saída:** Execute isso no seu ambiente Python local (pandas 2.x). O servidor Piston não tem pandas pré-instalado. Por favor, instale-o localmente (`pip install pandas`) e acompanhe. Os valores reais podem variar ligeiramente dependendo da sua versão do pandas.

(2) Carregando Apenas Colunas Selecionadas para Economizar Memória

▶ Exemplo

TEXT 📖 Somente leitura

> **Saída:** Execute isso no seu ambiente Python local (pandas 2.x). O servidor Piston não tem pandas pré-instalado. Por favor, instale-o localmente (`pip install pandas`) e acompanhe. Os valores reais podem variar ligeiramente dependendo da sua versão do pandas.

: Carregamento Seletivo de Colunas (Dificuldade ⭐)

PYTHON

import pandas as pd
from io import StringIO

csv_data = """id,name,age,salary,department,address,phone
1,Alice,28,75000,Sales,123 Main St,555-0100
2,Bob,34,92000,Engineering,456 Oak Ave,555-0200
3,Charlie,25,68000,Marketing,789 Pine Rd,555-0300"""

# Carrega apenas as colunas que você precisa
df = pd.read_csv(StringIO(csv_data), usecols=['name', 'salary', 'department'])
print(df)
# Também funciona: usecols=[1, 3, 4] (por posição)

TEXT 📖 Somente leitura

> **Saída:** Execute isso no seu ambiente Python local (pandas 2.x). O servidor Piston não tem pandas pré-instalado. Por favor, instale-o localmente (`pip install pandas`) e acompanhe. Os valores reais podem variar ligeiramente dependendo da sua versão do pandas.

(3) Comparação de Formatos de IO

Formato	Leitura	Escrita	Velocidade	Tamanho	Melhor Para
CSV	read_csv	to_csv	Média	Médio	Intercâmbio geral
Excel	read_excel	to_excel	Lenta	Grande	Relatórios de negócios
JSON	read_json	to_json	Lenta	Grande	API / Web
SQL	read_sql	to_sql	Lenta	—	Bancos de dados
Parquet	read_parquet	to_parquet	Rápida	Pequeno	Armazenamento de big data
HDF5	read_hdf	to_hdf	Rápida	Pequeno	Dados científicos
Feather	read_feather	to_feather	Mais Rápida	Pequeno	Armazenamento temporário

8. Exemplo Completo: Carregar → Limpar → Exportar em Múltiplos Formatos

(5) ▶ Árvore de Decisão de IO

graph TB
    A[Data Source] --> B{File size?}
    B -->|Small| C[CSV / Excel / JSON]
    B -->|Medium| D[CSV + chunksize]
    B -->|Large| E[Parquet / Feather]
    A --> F{Need a database?}
    F -->|Yes| G[read_sql / to_sql]
    F -->|No| H{Need an API?}
    H -->|Yes| I[read_json]
    H -->|No| J[read_csv]

TEXT 📖 Somente leitura

> **Saída:** Execute isso em seu ambiente Python local (pandas 2.x). O servidor Piston não tem o pandas pré-instalado. Por favor, instale-o localmente (`pip install pandas`) e siga alongado. Os valores reais podem variar ligeiramente dependendo da sua versão do pandas.

▶ Exemplo

TEXT 📖 Somente leitura

> **Saída:** Execute isso em seu ambiente Python local (pandas 2.x). O servidor Piston não tem o pandas pré-instalado. Por favor, instale-o localmente (`pip install pandas`) e siga alongado. Os valores reais podem variar ligeiramente dependendo da sua versão do pandas.

: Pipeline Completo de IO (Dificuldade ⭐⭐⭐)

PYTHON

import pandas as pd
import sqlite3
from io import StringIO, BytesIO

# ============================================
# Exemplo abrangente: Pipeline completo de IO
# Carregar CSV → Limpar → Exportar CSV/Excel/JSON/SQL
# ============================================

# 1. Carregar de CSV
csv_data = """name,age,salary,department,hire_date
Alice,28,75000,Sales,2022-03-15
Bob,34,92000,Engineering,2019-08-01
Charlie,25,NaN,Marketing,2023-01-10
Carol,30,88000,Sales,2020-06-20
David,45,105000,Management,2015-11-01"""
df = pd.read_csv(StringIO(csv_data), na_values=['NaN'])

# 2. Limpar dados
df['salary'] = df['salary'].fillna(df['salary'].median())
df['hire_date'] = pd.to_datetime(df['hire_date'])
print("=== Dados Limpos ===")
print(df)

# 3. Exportar para CSV
csv_out = StringIO()
df.to_csv(csv_out, index=False)
print(f"\n✅ Exportação CSV: {len(csv_out.getvalue())} caracteres")

# 4. Exportar para Excel
excel_out = BytesIO()
with pd.ExcelWriter(excel_out) as writer:
    df.to_excel(writer, sheet_name='Employees', index=False)
    df.describe().to_excel(writer, sheet_name='Stats')
print(f"✅ Exportação Excel: {len(excel_out.getvalue())} bytes, 2 planilhas")

# 5. Exportar para JSON
json_out = df.to_json(orient='records', indent=2, date_format='iso')
print(f"✅ Exportação JSON: {len(json_out)} caracteres")

# 6. Exportar para SQL
conn = sqlite3.connect(':memory:')
df.to_sql('employees', conn, if_exists='replace', index=False)
df_from_sql = pd.read_sql('SELECT * FROM employees', conn)
print(f"✅ Round-trip SQL: {len(df_from_sql)} linhas")
conn.close()

TEXT 📖 Somente leitura

> **Saída:** Execute isso em seu ambiente Python local (pandas 2.x). O servidor Piston não tem o pandas pré-instalado. Por favor, instale-o localmente (`pip install pandas`) e siga alongado. Os valores reais podem variar ligeiramente dependendo da sua versão do pandas.

❓ Perguntas Frequentes

P O que fazer sobre erros de codificação em CSV?

R Codificações comuns incluem UTF-8 (padrão moderno), GBK/GB2312 (Windows chinês) e ISO-8859-1 (Europa Ocidental). Tente encoding='utf-8' primeiro; se falhar, use encoding='gbk'. Um fallback universal é encoding='latin1' (não gerará erro, mas pode produzir texto ilegível). Você também pode usar a biblioteca chardet para detectar automaticamente a codificação.

P O read_excel requer bibliotecas adicionais?

R Sim. Arquivos .xlsx requerem pip install openpyxl, e arquivos .xls requerem pip install xlrd. O Pandas 2.x usa o mecanismo openpyxl por padrão. Se você vir um erro "Missing optional dependency", basta instalar a biblioteca correspondente.

P Quantos formatos JSON existem?

R Existem 5 modos de orientação — records (mais comum para APIs), columns (orientado a colunas), index (orientado a linhas), split (decomposição completa) e values (dados brutos). Use records para interação com APIs e columns ou split para armazenamento interno do Pandas.

P Como usar o chunksize?

R pd.read_csv(path, chunksize=N) retorna um objeto TextFileReader. Cada iteração gera um DataFrame de N linhas. Ideal para arquivos que excedem a memória disponível — processe por partes, agregue por partes, salve por partes. Nota: o modo chunksize não suporta acesso aleatório; lê apenas sequencialmente.

P Como ler apenas colunas específicas?

R Use o parâmetro usecols: pd.read_csv(path, usecols=['col1', 'col3']) seleciona por nome da coluna, ou usecols=[0, 2, 4] seleciona por posição. Carregar apenas as colunas necessárias pode reduzir drasticamente o uso de memória, especialmente para tabelas largas (100+ colunas mas você só precisa de 5).

P Qual a diferença entre Parquet e CSV?

R Parquet é um formato de armazenamento colunar que lê 5-50x mais rápido que CSV e produz arquivos 50-80% menores (graças à compressão integrada). No entanto, Parquet não é texto simples (requer pip install pyarrow) e não é adequado para inspeção humana direta. Recomendação: use CSV para troca de dados brutos e Parquet para armazenar dados processados.

P O que significa index=False no to_csv?

R Por padrão, to_csv grava o Index do DataFrame como primeira coluna. Na maioria dos casos, você não precisa salvar o RangeIndex(0,1,2,...) padrão, então use index=False para omiti-lo. Se seu Index contém rótulos significativos (como datas), você pode mantê-lo com index=True.

📖 Resumo

read_csv é a função de IO mais comumente utilizada. Parâmetros principais: encoding / sep / usecols / dtype / parse_dates
Ao salvar com to_csv, use index=False para evitar a escrita de números de linha sem significado
A leitura e escrita de Excel requerem openpyxl e suportam operações com múltiplas planilhas (via parâmetro sheet_name)
JSON possui 5 modos de orientação; use records para interação com APIs
A leitura e escrita de SQL funcionam através de conexões DB-API e suportam consultas parametrizadas para prevenir injeção
Para arquivos grandes, use chunksize para leitura em pedaços + usecols para carregamento seletivo de colunas
Parquet/HDF5/Feather são 5 a 50 vezes mais rápidos que CSV e ideais para armazenamento de big data

📝 Exercícios

Básico (Dificuldade ⭐): Use StringIO para simular um arquivo CSV, carregue-o com read_csv (especificando dtype e usecols), depois salve-o com to_csv (index=False).
Intermediário (Dificuldade ⭐⭐): Crie 2 DataFrames, escreva-os em diferentes planilhas no mesmo arquivo Excel usando ExcelWriter, depois leia todas as planilhas de volta usando read_excel com sheet_name=None.
Desafio (Dificuldade ⭐⭐⭐): Simule um CSV com 1000 linhas (contendo valores NaN e uma coluna de data), depois complete o seguinte: read_csv (com na_values/parse_dates/dtype) → preencha valores ausentes → exporte em três formatos: to_csv/to_json/to_sql → leia de volta com read_json para verificar a consistência.

← Previous: Data Selection · Next: Missing Value Handling →

Equipe Técnica Web-Tutorial

Uma plataforma de tutoriais mantida por diversos desenvolvedores. Cada tutorial é escrito e revisado por profissionais da área correspondente. Trabalhamos para manter nosso conteúdo preciso e confiável — se encontrar algum problema, avise-nos.

Sobre Nós

Pandas: Leitura e Escrita de Dados

1. O Que Você Aprenderá

2. O Pesadelo de Codificação do Bob

(1) A Dor: O CSV Abre como Texto Ilegível

(2) A Solução: Especificar a codificação

▶ Exemplo: Tratamento de Codificação (Dificuldade ⭐)

(3) O Retorno: Funções de IO Concluem em Uma Linha

3. Leitura e Escrita de CSV

(1) Parâmetros Comuns do read_csv

▶ Exemplo

(2) Salvando com to_csv

▶ Exemplo

4. Leitura e Escrita de Excel

(1) read_excel com Múltiplas Abas

▶ Exemplo

(2) Salvando com to_excel

▶ Exemplo

5. Leitura e Escrita de JSON

(1) Tipos de Formato JSON

▶ Exemplo

(2) Comparação dos orient do JSON

6. Leitura e Escrita com SQL

(1) Consultas ao Banco de Dados com read_sql

▶ Exemplo

7. Estratégias para Arquivos Grandes

(1) Leitura em Pedaços com chunksize

▶ Exemplo

(2) Carregando Apenas Colunas Selecionadas para Economizar Memória

▶ Exemplo

(3) Comparação de Formatos de IO

8. Exemplo Completo: Carregar → Limpar → Exportar em Múltiplos Formatos

(5) ▶ Árvore de Decisão de IO

▶ Exemplo

❓ Perguntas Frequentes

📖 Resumo

📝 Exercícios

(1) Parâmetros Comuns do `read_csv`

(2) Salvando com `to_csv`