Pandas: Seleção de Dados

import pandas as pd

df = pd.DataFrame({
    'name': ['Laptop', 'Phone', 'Tablet', 'Monitor', 'Keyboard',
             'Mouse', 'Headset', 'Speaker', 'Camera', 'Charger'],
    'category': ['Electronics', 'Electronics', 'Electronics', 'Electronics',
                 'Accessories', 'Accessories', 'Accessories', 'Accessories',
                 'Electronics', 'Accessories'],
    'price': [999.99, 699.99, 349.99, 449.99, 79.99,
              29.99, 149.99, 89.99, 599.99, 19.99],
    'stock': [50, 120, 80, 35, 200, 300, 150, 180, 25, 500],
    'rating': [4.7, 4.5, 4.3, 4.6, 4.2, 4.0, 4.4, 4.1, 4.8, 3.9]
})

# Indexação booleana — funciona, mas é verboso
result = df[(df['price'] > 50) & (df['rating'] > 4.0) & (df['category'] == 'Electronics')]
print(result[['name', 'price', 'rating']])
#       name    price  rating
# 0   Laptop   999.99     4.7
# 1    Phone   699.99     4.5
# 2   Tablet   349.99     4.3
# 3  Monitor   449.99     4.6
# 8   Camera   599.99     4.8

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

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

# Mesmo resultado, muito mais legível
result = df.query('price > 50 and rating > 4.0 and category == "Electronics"')
print(result[['name', 'price', 'rating']])

# Com variável
min_price = 50
min_rating = 4.0
result2 = df.query('price > @min_price and rating > @min_rating')

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

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

import pandas as pd

df = pd.DataFrame({
    'name': ['Laptop', 'Phone', 'Tablet', 'Monitor', 'Keyboard'],
    'price': [999.99, 699.99, 349.99, 449.99, 79.99],
    'stock': [50, 120, 80, 35, 200]
}, index=['A001', 'A002', 'A003', 'A004', 'A005'])

# Única linha por rótulo
print(df.loc['A001'])
# name      Laptop
# price     999.99
# stock         50

# Múltiplas linhas
print(df.loc[['A001', 'A003']])

# Fatia de linhas + fatia de colunas (rótulos, INCLUI o ponto final)
print(df.loc['A001':'A003', 'name':'price'])
#          name    price
# A001   Laptop   999.99
# A002    Phone   699.99
# A003   Tablet   349.99

# Linhas específicas + colunas específicas
print(df.loc[['A001', 'A004'], ['name', 'stock']])

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

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

import pandas as pd

df = pd.DataFrame({
    'name': ['Laptop', 'Phone', 'Tablet', 'Monitor', 'Keyboard'],
    'price': [999.99, 699.99, 349.99, 449.99, 79.99],
    'stock': [50, 120, 80, 35, 200]
})

# Filtrar linhas + selecionar colunas em uma operação
expensive = df.loc[df['price'] > 400, ['name', 'price']]
print(expensive)
#       name    price
# 0   Laptop   999.99
# 1    Phone   699.99
# 3  Monitor   449.99

# Com atribuição (seguro — sem indexação encadeada)
df.loc[df['stock'] < 50, 'stock'] = 50  # reabastecer itens com estoque baixo

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

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

import pandas as pd

df = pd.DataFrame({
    'name': ['Laptop', 'Phone', 'Tablet', 'Monitor', 'Keyboard'],
    'price': [999.99, 699.99, 349.99, 449.99, 79.99],
    'stock': [50, 120, 80, 35, 200]
})

# Uma única linha por posição
print(df.iloc[0])      # primeira linha (Laptop)

# Múltiplas linhas por lista de posições
print(df.iloc[[0, 2, 4]])

# Fatia de linhas + fatia de colunas (posições, EXCLUI o ponto final)
print(df.iloc[0:3, 0:2])
#      name    price
# 0  Laptop   999.99
# 1   Phone   699.99
# 2  Tablet   349.99

# Últimas 2 linhas
print(df.iloc[-2:])

# A cada outra linha
print(df.iloc[::2])

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

> **Saída:** Execute isso em um ambiente Python local (pandas 2.x). O servidor Piston não tem pandas pré-instalado, então instale-o na sua máquina (`pip install pandas`) e acompanhe. Os valores reais podem variar ligeiramente dependendo da versão do pandas.

import pandas as pd

df = pd.DataFrame({
    'name': ['Laptop', 'Phone', 'Tablet', 'Monitor', 'Keyboard'],
    'category': ['Electronics', 'Electronics', 'Electronics', 'Electronics', 'Accessories'],
    'price': [999.99, 699.99, 349.99, 449.99, 79.99],
    'stock': [50, 120, 80, 35, 200],
    'rating': [4.7, 4.5, 4.3, 4.6, 4.2]
})

# Single condition
print(df[df['price'] > 400])

# Multiple conditions: & (AND), | (OR), ~ (NOT)
# MUST use parentheses around each condition!
high_price_good_rating = df[(df['price'] > 400) & (df['rating'] >= 4.5)]
print(high_price_good_rating[['name', 'price', 'rating']])

# OR condition
hot_items = df[(df['price'] > 500) | (df['stock'] > 100)]
print(hot_items[['name', 'price', 'stock']])

# NOT condition
not_electronics = df[~(df['category'] == 'Electronics')]
print(not_electronics)

> **Saída:** Execute isso em um ambiente Python local (pandas 2.x). O servidor Piston não tem pandas pré-instalado, então instale-o na sua máquina (`pip install pandas`) e acompanhe. Os valores reais podem variar ligeiramente dependendo da versão do pandas.

> **Saída:** Execute isso em um ambiente Python local (pandas 2.x). O servidor Piston não tem pandas pré-instalado, então instale-o na sua máquina (`pip install pandas`) e acompanhe. Os valores reais podem variar ligeiramente dependendo da versão do pandas.

import pandas as pd

df = pd.DataFrame({
    'name': ['Wireless Mouse', 'USB Keyboard', 'Bluetooth Headset',
             'Wireless Speaker', 'USB Camera'],
    'price': [29.99, 79.99, 149.99, 89.99, 599.99]
})

# Contains substring
wireless = df[df['name'].str.contains('Wireless')]
print(wireless)

# Starts with
usb = df[df['name'].str.startswith('USB')]
print(usb)

> **Saída:** Execute isso em um ambiente Python local (pandas 2.x). O servidor Piston não tem pandas pré-instalado, então instale-o na sua máquina (`pip install pandas`) e acompanhe. Os valores reais podem variar ligeiramente dependendo da versão do pandas.

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

import pandas as pd

df = pd.DataFrame({
    'name': ['Laptop', 'Phone', 'Tablet', 'Monitor', 'Keyboard'],
    'category': ['Electronics', 'Electronics', 'Electronics', 'Electronics', 'Accessories'],
    'price': [999.99, 699.99, 349.99, 449.99, 79.99],
    'stock': [50, 120, 80, 35, 200],
    'rating': [4.7, 4.5, 4.3, 4.6, 4.2]
})

# Condição simples
print(df.query('price > 400'))

# Múltiplas condições (and/or em vez de &/|)
print(df.query('price > 400 and rating >= 4.5'))

# Comparação de strings
print(df.query('category == "Electronics"'))

# Use @ para referenciar variáveis Python
threshold = 100
print(df.query('stock > @threshold'))

# Nomes de colunas com espaços (crase)
# df.query('`unit price` > 100')

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

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

import pandas as pd

df = pd.DataFrame({
    'name': ['Laptop', 'Phone', 'Tablet', 'Monitor', 'Keyboard'],
    'category': ['Electronics', 'Electronics', 'Electronics', 'Electronics', 'Accessories'],
    'price': [999.99, 699.99, 349.99, 449.99, 79.99]
})

# Filtra por múltiplos valores de categoria
target_cats = ['Electronics', 'Audio']
# Nota: Audio não está nos dados → sem correspondência, sem erro
result = df[df['category'].isin(target_cats)]
print(result[['name', 'category']])

# Negação: NÃO está na lista
other = df[~df['category'].isin(['Electronics'])]
print(other)
# Somente Accessories

# isin com valores numéricos
target_prices = [999.99, 79.99]
print(df[df['price'].isin(target_prices)])
# Laptop e Keyboard

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

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

import pandas as pd

df = pd.DataFrame({
    'name': ['Laptop', 'Phone', 'Tablet'],
    'price': [999.99, 699.99, 349.99],
    'category': ['Electronics', 'Electronics', 'Electronics']
})

# ❌ Encadeamento de índices — pode acionar SettingWithCopyWarning
# df[df['price'] > 400]['price'] = 0  # Imprevisível!

# ✅ Operação única com loc
df.loc[df['price'] > 400, 'price'] = 0  # Sempre funciona

# ❌ Outra forma encadeada
# df[df['category'] == 'Electronics']['stock'] = 100

# ✅ Abordagem correta
df.loc[df['category'] == 'Electronics', 'stock'] = 100

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

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

> **Saída:** Execute isso em um ambiente local do Python (pandas 2.x). O servidor Piston não tem pandas pré-instalado, por favor instale na sua máquina (`pip install pandas`) e acompanhe. Os valores reais podem variar ligeiramente dependendo da versão do pandas.

import pandas as pd
import numpy as np

# ============================================
# Exemplo abrangente: Fluxo de trabalho de
# seleção multidimensional de produtos
# e-commerce
# ============================================

# 1. Criar catálogo de produtos
np.random.seed(42)
df = pd.DataFrame({
    'name': [f'Product_{i:03d}' for i in range(1, 51)],
    'category': np.random.choice(['Electronics', 'Clothing', 'Home', 'Sports'], 50),
    'price': np.round(np.random.uniform(10, 500, 50), 2),
    'stock': np.random.randint(0, 300, 50),
    'rating': np.round(np.random.uniform(3.0, 5.0, 50), 1),
    'brand': np.random.choice(['Alpha', 'Beta', 'Gamma', 'Delta'], 50)
})

# 2. loc: seleção precisa
print("=== Eletrônicos com preço > 200 ===")
elec_expensive = df.loc[
    (df['category'] == 'Electronics') & (df['price'] > 200),
    ['name', 'price', 'rating']
]
print(elec_expensive.head())

# 3. iloc: seleção baseada em posição
print("\n=== Primeiras 3 linhas, primeiras 4 colunas ===")
print(df.iloc[:3, :4])

# 4. Boolean: múltiplas condições
print("\n=== Alta classificação, em estoque, abaixo de $100 ===")
bargains = df[(df['rating'] >= 4.5) & (df['stock'] > 0) & (df['price'] < 100)]
print(bargains[['name', 'price', 'rating', 'stock']])

# 5. query: filtro complexo legível
print("\n=== Marca Alpha Eletrônicos ou Casa, classificação >= 4.0 ===")
query_result = df.query(
    'brand == "Alpha" and category in ["Electronics", "Home"] and rating >= 4.0'
)
print(query_result[['name', 'category', 'rating']])

# 6. isin: filtro de múltiplos valores
print("\n=== Marcas selecionadas ===")
top_brands = df[df['brand'].isin(['Alpha', 'Beta'])]
print(f"Produtos Alpha + Beta: {len(top_brands)}")

# 7. Atribuição segura
df.loc[df['stock'] == 0, 'status'] = 'Fora de Estoque'
df.loc[df['stock'] > 0, 'status'] = 'Em Estoque'
print(f"\n=== Status do Estoque ===")
print(df['status'].value_counts())

> **Saída:** Execute isso em um ambiente local do Python (pandas 2.x). O servidor Piston não tem pandas pré-instalado, por favor instale na sua máquina (`pip install pandas`) e acompanhe. Os valores reais podem variar ligeiramente dependendo da versão do pandas.