Pandas: Introdução a Séries

import numpy as np

sales = np.array([320, 280, 350, 410, 390, 520, 480])
# Qual dia é 520? Posição 5... mas qual dia?
print(sales[5])  # 520 — mas o que esse número significa?

Execute isso em um ambiente Python local (pandas 2.x). O servidor Piston não tem pandas pré-instalado — instale localmente (`pip install pandas`) para acompanhar. Os valores reais podem variar ligeiramente dependendo da sua versão do pandas.

Execute isso em um ambiente Python local (pandas 2.x). O servidor Piston não tem pandas pré-instalado — instale localmente (`pip install pandas`) para acompanhar. Os valores reais podem variar ligeiramente dependendo da sua versão do pandas.

import pandas as pd

sales = pd.Series(
    [320, 280, 350, 410, 390, 520, 480],
    index=['Mon', 'Tue', 'Wed', 'Thu', 'Fri', 'Sat', 'Sun'],
    name='daily_sales'
)
print(sales)
# Mon    320
# Tue    280
# Wed    350
# Thu    410
# Fri    390
# Sat    520
# Sun    480
# Name: daily_sales, dtype: int64

print(sales['Sat'])  # 520 — acesso baseado em rótulo
print(sales.iloc[5])  # 520 — acesso baseado em posição

Execute isso em um ambiente Python local (pandas 2.x). O servidor Piston não tem pandas pré-instalado — instale localmente (`pip install pandas`) para acompanhar. Os valores reais podem variar ligeiramente dependendo da sua versão do pandas.

Execute isso em um ambiente Python local (pandas 2.x). O servidor Piston não tem o pandas pré-instalado — instale localmente (`pip install pandas`) para acompanhar. Os valores reais podem variar ligeiramente dependendo da sua versão do pandas.

Execute isso em um ambiente Python local (pandas 2.x). O servidor Piston não tem o pandas pré-instalado — instale localmente (`pip install pandas`) para acompanhar. Os valores reais podem variar ligeiramente dependendo da sua versão do pandas.

import pandas as pd
import numpy as np

s = pd.Series([320, 280, 350], index=['Mon', 'Tue', 'Wed'])

print(f"Type of values: {type(s.values)}")  # <class 'numpy.ndarray'>
print(f"Type of index:  {type(s.index)}")   # <class 'pandas.core.indexes.base.Index'>
print(f"dtype: {s.dtype}")   # int64
print(f"shape: {s.shape}")   # (3,)
print(f"size:  {s.size}")    # 3
print(f"name:  {s.name}")    # None

Execute isso em um ambiente Python local (pandas 2.x). O servidor Piston não tem o pandas pré-instalado — instale localmente (`pip install pandas`) para acompanhar. Os valores reais podem variar ligeiramente dependendo da sua versão do pandas.

Execute isso em um ambiente Python local (pandas 2.x). O servidor Piston não tem pandas pré-instalado — instale localmente (`pip install pandas`) para acompanhar. Os valores reais podem variar ligeiramente dependendo da sua versão do pandas.

import pandas as pd

# Índice padrão: 0, 1, 2, ...
s1 = pd.Series([10, 20, 30, 40])
print(s1)
# 0    10
# 1    20
# 2    30
# 3    40

# Índice personalizado
s2 = pd.Series([10, 20, 30, 40], index=['a', 'b', 'c', 'd'])
print(s2['b'])  # 20

# Com nome
s3 = pd.Series([10, 20, 30], name='scores')
print(s3.name)  # scores

Execute isso em um ambiente Python local (pandas 2.x). O servidor Piston não tem pandas pré-instalado — instale localmente (`pip install pandas`) para acompanhar. Os valores reais podem variar ligeiramente dependendo da sua versão do pandas.

Execute isso em um ambiente Python local (pandas 2.x). O servidor Piston não tem pandas pré-instalado — instale localmente (`pip install pandas`) para acompanhar. Os valores reais podem variar ligeiramente dependendo da sua versão do pandas.

import pandas as pd

# As chaves se tornam o índice, os valores se tornam os dados
population = pd.Series({
    'Tokyo': 13960000,
    'New York': 8336000,
    'London': 8982000,
    'Paris': 2161000
})
print(population)
# Tokyo      13960000
# New York    8336000
# London      8982000
# Paris       2161000

print(population['London'])  # 8982000

Execute isso em um ambiente Python local (pandas 2.x). O servidor Piston não tem pandas pré-instalado — instale localmente (`pip install pandas`) para acompanhar. Os valores reais podem variar ligeiramente dependendo da sua versão do pandas.

Execute isso em um ambiente Python local (pandas 2.x). O servidor Piston não tem pandas pré-instalado — instale localmente (`pip install pandas`) para acompanhar. Os valores reais podem variar ligeiramente dependendo da sua versão do pandas.

import numpy as np
import pandas as pd

arr = np.array([3.14, 2.72, 1.41, 1.73])
s = pd.Series(arr, index=['pi', 'e', 'sqrt2', 'sqrt3'])
print(s)
# pi      3.14
# e       2.72
# sqrt2   1.41
# sqrt3   1.73
print(f"Underlying type: {type(s.values)}")  # numpy.ndarray

Execute isso em um ambiente Python local (pandas 2.x). O servidor Piston não tem pandas pré-instalado — instale localmente (`pip install pandas`) para acompanhar. Os valores reais podem variar ligeiramente dependendo da sua versão do pandas.

Execute isso em um ambiente Python local (pandas 2.x). O servidor Piston não tem pandas pré-instalado — instale localmente (`pip install pandas`) para acompanhar. Os valores reais podem variar ligeiramente dependendo da sua versão do pandas.

import pandas as pd

# Broadcast do escalar para preencher todas as posições do índice
s = pd.Series(0, index=['A', 'B', 'C', 'D'])
print(s)
# A    0
# B    0
# C    0
# D    0

Execute isso em um ambiente Python local (pandas 2.x). O servidor Piston não tem pandas pré-instalado — instale localmente (`pip install pandas`) para acompanhar. Os valores reais podem variar ligeiramente dependendo da sua versão do pandas.

Execute isso em um ambiente Python local (pandas 2.x). O servidor Piston não tem pandas pré-instalado — instale-o localmente (`pip install pandas`) para acompanhar. Os valores reais podem variar ligeiramente dependendo da sua versão do pandas.

import pandas as pd

s = pd.Series([320, 280, 350, 410],
              index=['Mon', 'Tue', 'Wed', 'Thu'])

# Acesso baseado em rótulo (preferido)
print(s['Tue'])       # 280
print(s.loc['Tue'])   # 280 — acesso explícito por rótulo

# Acesso baseado em posição
print(s.iloc[1])      # 280 — acesso explícito por posição

# Fatiamento por rótulo (INCLUI o ponto final)
print(s['Mon':'Wed'])
# Mon    320
# Tue    280
# Wed    350

# Fatiamento por posição (EXCLUI o ponto final, como no Python)
print(s.iloc[0:3])
# Mon    320
# Tue    280
# Wed    350

Execute isso em um ambiente Python local (pandas 2.x). O servidor Piston não tem pandas pré-instalado — instale-o localmente (`pip install pandas`) para acompanhar. Os valores reais podem variar ligeiramente dependendo da sua versão do pandas.

Execute isso em um ambiente Python local (pandas 2.x). O servidor Piston não tem pandas pré-instalado — instale localmente (`pip install pandas`) para acompanhar. Os valores reais podem variar ligeiramente dependendo da sua versão do pandas.

import pandas as pd

sales = pd.Series([320, 280, 350, 410],
                  index=['Mon', 'Tue', 'Wed', 'Thu'])

# Arithmetic operations
print(sales * 1.1)      # 10% price increase
# Mon    352.0
# Tue    308.0
# Wed    385.0
# Thu    451.0

# Comparison operations
print(sales > 300)
# Mon     True
# Tue    False
# Wed     True
# Thu     True

# Filter with boolean
print(sales[sales > 300])
# Mon    320
# Wed    350
# Thu    410

Execute isso em um ambiente Python local (pandas 2.x). O servidor Piston não tem pandas pré-instalado — instale localmente (`pip install pandas`) para acompanhar. Os valores reais podem variar ligeiramente dependendo da sua versão do pandas.

Execute isso em um ambiente Python local (pandas 2.x). O servidor Piston não tem pandas pré-instalado — instale localmente (`pip install pandas`) para acompanhar. Os valores reais podem variar ligeiramente dependendo da sua versão do pandas.

import pandas as pd

week1 = pd.Series({'Mon': 320, 'Tue': 280, 'Wed': 350})
week2 = pd.Series({'Tue': 310, 'Wed': 370, 'Thu': 400})

# Auto-align by index, non-matching → NaN
total = week1 + week2
print(total)
# Mon      NaN   # only in week1
# Tue    590.0   # 280 + 310
# Wed    720.0   # 350 + 370
# Thu      NaN   # only in week2

# Fill missing with 0 instead of NaN
total_filled = week1.add(week2, fill_value=0)
print(total_filled)
# Mon    320.0
# Tue    590.0
# Wed    720.0
# Thu    400.0

Execute isso em um ambiente Python local (pandas 2.x). O servidor Piston não tem pandas pré-instalado — instale localmente (`pip install pandas`) para acompanhar. Os valores reais podem variar ligeiramente dependendo da sua versão do pandas.

Execute isso em um ambiente Python local (pandas 2.x). O servidor Piston não tem o pandas pré-instalado — instale-o localmente (`pip install pandas`) para acompanhar. Os valores reais podem variar ligeiramente dependendo da sua versão do pandas.

import pandas as pd

scores = pd.Series([85, 92, 78, 95, 88, 92, 78, 85, 90, 92],
                   name='exam_score')

print(scores.describe())
# count    10.000000
# mean     87.500000
# std       5.976143
# min      78.000000
# 25%      85.000000
# 50%      89.000000
# 75%      92.000000
# max      95.000000

print(scores.value_counts())
# 92    3
# 85    2
# 78    2
# 95    1
# 90    1
# 88    1

Execute isso em um ambiente Python local (pandas 2.x). O servidor Piston não tem o pandas pré-instalado — instale-o localmente (`pip install pandas`) para acompanhar. Os valores reais podem variar ligeiramente dependendo da sua versão do pandas.

Execute isso em um ambiente Python local (pandas 2.x). O servidor Piston não tem o pandas pré-instalado — instale-o localmente (`pip install pandas`) para acompanhar. Os valores reais podem variar ligeiramente dependendo da sua versão do pandas.

import pandas as pd

s = pd.Series(range(1, 101))  # 1 a 100

print(s.head())    # primeiros 5
print(s.tail(3))   # últimos 3

# isin: teste de pertencimento
fruits = pd.Series(['apple', 'banana', 'cherry', 'apple', 'date'])
print(fruits.isin(['apple', 'cherry']))
# 0     True
# 1    False
# 2     True
# 3     True
# 4    False

Execute isso em um ambiente Python local (pandas 2.x). O servidor Piston não tem o pandas pré-instalado — instale-o localmente (`pip install pandas`) para acompanhar. Os valores reais podem variar ligeiramente dependendo da sua versão do pandas.

Execute isso em um ambiente Python local (pandas 2.x). O servidor Piston não tem o pandas pré-instalado — instale-o localmente (`pip install pandas`) para acompanhar. Os valores reais podem variar ligeiramente dependendo da sua versão do pandas.

import pandas as pd
import numpy as np

s = pd.Series([10, np.nan, 30, np.nan, 50])

print(s.isna())     # detectar NaN
# 0    False
# 1     True
# 2    False
# 3     True
# 4    False

print(s.notna())    # detectar não-NaN
print(s.dropna())   # remover NaN: [10.0, 30.0, 50.0]
print(s.fillna(0))  # preencher NaN com 0
print(s.fillna(s.mean()))  # preencher com valor médio

Execute isso em um ambiente Python local (pandas 2.x). O servidor Piston não tem o pandas pré-instalado — instale-o localmente (`pip install pandas`) para acompanhar. Os valores reais podem variar ligeiramente dependendo da sua versão do pandas.

Execute isso em um ambiente Python local (pandas 2.x). O servidor Piston não tem pandas pré-instalado — instale localmente (`pip install pandas`) para acompanhar. Os valores reais podem variar ligeiramente dependendo da sua versão do pandas.

import pandas as pd
import numpy as np

# ============================================
# Exemplo abrangente: Análise de vendas
# semanais de cafeteria usando Series
# ============================================

# 1. Criar dados de vendas com rótulos de dias
vendas = pd.Series({
    'Seg': 320, 'Ter': 280, 'Qua': 350,
    'Qui': 410, 'Sex': 390, 'Sab': 520, 'Dom': 480
}, name='vendas_diarias_USD')

# 2. Estatísticas básicas
print("=== Relatório de Vendas Semanais ===")
print(f"Total:      R${vendas.sum():,.0f}")
print(f"Média diária: R${vendas.mean():.0f}")
print(f"Melhor dia: {vendas.idxmax()} (R${vendas.max():,.0f})")
print(f"Pior dia:   {vendas.idxmin()} (R${vendas.min():,.0f})")
print(f"Desv pad:   R${vendas.std():.0f}")

# 3. Análise dia útil vs fim de semana
media_dia_util = vendas[['Seg','Ter','Qua','Qui','Sex']].mean()
media_fim_semana = vendas[['Sab','Dom']].mean()
print(f"\nMédia dias úteis: R${media_dia_util:.0f}")
print(f"Média fim de semana: R${media_fim_semana:.0f}")
print(f"Aumento no fim de semana: {(media_fim_semana/media_dia_util - 1)*100:.1f}%")

# 4. Mudança diária
mudanca = vendas.pct_change() * 100
print(f"\nMaior queda diária: {mudanca.min():.1f}% em {mudanca.idxmin()}")
print(f"Maior aumento diário: {mudanca.max():.1f}% em {mudanca.idxmax()}")

# 5. Vendas acumuladas
vendas_acum = vendas.cumsum()
print(f"\nMeta de vendas R$2.000 atingida em: {vendas_acum[vendas_acum >= 2000].index[0]}")

# 6. Ranking
print(f"\nRanking de vendas:\n{vendas.rank(ascending=False).astype(int)}")

Execute isso em um ambiente Python local (pandas 2.x). O servidor Piston não tem pandas pré-instalado — instale localmente (`pip install pandas`) para acompanhar. Os valores reais podem variar ligeiramente dependendo da sua versão do pandas.

=== Relatório de Vendas Semanais ===
Total:      R$2,750
Média diária: R$393
Melhor dia: Sab (R$520)
Pior dia:   Ter (R$280)
Desv pad:   R$82

Média dias úteis: R$350
Média fim de semana: R$500
Aumento no fim de semana: 42.9%

Maior queda diária: -12.5% em Ter
Maior aumento diário: 33.3% em Sab