Introdução ao Pandas: guia prático de análise de dados

Publicado em 6 de setembro de 2026, às 12:07, por Pedro Nakashima

O pandas é a biblioteca padrão de Python para trabalhar com dados em formato de tabela. Esta introdução ao pandas cobre o essencial do dia a dia: as estruturas Series e DataFrame, como carregar dados de arquivos CSV e Excel, como filtrar e transformar linhas e colunas e como resumir informação com groupby. Os exemplos são curtos e você pode reproduzir cada um no seu próprio ambiente.

O que é o pandas?

O pandas é uma biblioteca de código aberto construída sobre o NumPy que adiciona estruturas de dados rotuladas e ferramentas de análise ao Python. Na prática, ele faz o papel de uma planilha programável: você lê dados de várias fontes, limpa, combina, agrega e exporta — tudo em código versionável e reproduzível, e com desempenho adequado a milhões de linhas.

Instalação e import

pip install pandas

Por convenção, o import usa o apelido pd:

import pandas as pd

Series: uma coluna com índice

Uma Series é um vetor unidimensional com um índice (os rótulos das linhas). É a peça básica do pandas.

temperaturas = pd.Series(
    [28.1, 30.4, 27.9, 31.2],
    index=["seg", "ter", "qua", "qui"],
    name="temperatura",
)

temperaturas["ter"]                # 30.4
temperaturas.mean()                # 29.4
temperaturas[temperaturas > 30]    # ter e qui

DataFrame: a tabela

Um DataFrame reúne várias Series que compartilham o mesmo índice. São linhas e colunas, como uma planilha ou uma tabela de banco de dados.

df = pd.DataFrame({
    "cidade": ["São Paulo", "Rio de Janeiro", "Curitiba", "Recife"],
    "populacao_mi": [12.3, 6.7, 1.9, 1.7],
    "regiao": ["Sudeste", "Sudeste", "Sul", "Nordeste"],
})

Lendo dados de arquivos

Na prática você quase nunca digita os dados à mão. O pandas lê dezenas de formatos com uma linha:

df = pd.read_csv("dados.csv")
df = pd.read_excel("planilha.xlsx", sheet_name="2026")
df = pd.read_parquet("dados.parquet")

Parâmetros úteis no read_csv: sep (separador de campos), decimal, encoding, parse_dates e nrows para carregar apenas uma amostra.

Para gravar o resultado do seu trabalho, cada leitor tem um escritor correspondente: df.to_csv("saida.csv", index=False), df.to_excel(...) e df.to_parquet(...). O formato Parquet preserva os tipos das colunas e ocupa bem menos espaço que CSV.

Primeiro diagnóstico dos dados

Antes de analisar, olhe a cara da tabela:

df.head()       # primeiras linhas
df.shape        # (linhas, colunas)
df.info()       # tipo de cada coluna e contagem de nulos
df.describe()   # estatísticas das colunas numéricas

Para variáveis categóricas, df["regiao"].value_counts() mostra a frequência de cada valor, e df["regiao"].unique() lista os valores distintos. Esse par revela erros de digitação e categorias inesperadas logo no começo da análise.

Selecionar e filtrar

Colunas

df["populacao_mi"]           # uma coluna  -> Series
df[["cidade", "regiao"]]     # várias colunas -> DataFrame

Linhas: `loc` e `iloc`

df.loc[0]       # linha pelo rótulo do índice
df.iloc[0]      # linha pela posição
df.loc[df["regiao"] == "Sudeste", ["cidade", "populacao_mi"]]

Filtro por condição (boolean indexing)

df[df["populacao_mi"] > 5]
df[(df["regiao"] == "Sudeste") & (df["populacao_mi"] > 10)]

Use &, | e ~ (não and / or) e envolva cada condição em parênteses.

Criar e transformar colunas

df["populacao_abs"] = df["populacao_mi"] * 1_000_000

df["porte"] = pd.cut(
    df["populacao_mi"],
    bins=[0, 2, 5, float("inf")],
    labels=["pequeno", "médio", "grande"],
)

Agrupar com `groupby`

O groupby implementa o padrão split-apply-combine: divide as linhas por uma chave, aplica uma função de agregação e junta o resultado.

df.groupby("regiao")["populacao_mi"].sum()

df.groupby("regiao").agg(
    n_cidades=("cidade", "count"),
    pop_total=("populacao_mi", "sum"),
    pop_media=("populacao_mi", "mean"),
)

Tratar valores ausentes

df.isna().sum()                      # nulos por coluna
df.dropna(subset=["populacao_mi"])   # remove linhas sem população
df["regiao"] = df["regiao"].fillna("desconhecida")

Perguntas frequentes

Qual a diferença entre Series e DataFrame?

A Series é unidimensional (uma coluna com índice); o DataFrame é bidimensional (várias colunas com o mesmo índice). Cada coluna de um DataFrame é uma Series.

Quando usar `loc` em vez de `iloc`?

Use loc para selecionar por rótulo (nome do índice ou da coluna) e iloc para selecionar por posição inteira. Em fatias, loc inclui o limite final; iloc não.

Como ler só uma parte de um arquivo grande?

Passe nrows para limitar as linhas ou usecols para escolher colunas no read_csv. Para processar em blocos, use chunksize, que devolve um iterador de DataFrame.

Pandas ou Polars?

O pandas tem o maior ecossistema e é o padrão de mercado. O Polars costuma ser mais rápido e econômico em memória para volumes grandes. Para aprender os conceitos de dados tabulares, o pandas continua sendo o melhor ponto de partida.

Conclusão

Series é uma coluna; DataFrame é a tabela.
read_csv, read_excel e read_parquet carregam os dados; head, info e describe dão o primeiro diagnóstico.
loc / iloc e boolean indexing recortam linhas e colunas.
groupby + agg resumem os dados por categoria.
isna, dropna e fillna cuidam dos valores ausentes.

Para se aprofundar, vale ler o guia 10 minutes to pandas da documentação oficial do pandas e o livro Python for Data Analysis, de Wes McKinney, criador da biblioteca. Aqui no blog, veja também o exemplo com código executável.

Tópicos: #Pandas #Python #AnáliseDeDados #CiênciaDeDados #DataFrame