Desafio Python 1 | O Mestre dos Dados

Contexto

Você é o analista de dados júnior de uma empresa de varejo.

O setor comercial disponibilizou uma base com 1.000 registros fictícios de vendas, incluindo clientes, vendedores, produtos, valores, formas de pagamento, localização e status das vendas. Seu desafio é carregar, explorar e persistir esses dados em um banco PostgreSQL.

Fonte de dados

Baixe os dois arquivos.

A mesma base está disponível em CSV e Excel. Use os dois formatos durante o desafio para comparar estrutura e consistência.

Arquivo CSV vendas_1000.csv Use na leitura principal com Pandas. ↓ Arquivo Excel vendas_1000.xlsx Use para comparar com a base CSV. ↓

Dicionário

Estrutura da base

A base possui 1.000 registros e 19 colunas.

Coluna	Descrição
`id_venda`	Identificador da venda
`data_venda`	Data em que a venda ocorreu
`id_cliente`	Identificador do cliente
`cliente`	Nome do cliente
`vendedor`	Vendedor responsável
`produto`	Produto vendido
`categoria`	Categoria do produto
`quantidade`	Quantidade vendida
`valor_unitario`	Valor unitário do produto
`desconto_percentual`	Percentual de desconto aplicado
`valor_bruto`	Valor da venda antes do desconto
`valor_desconto`	Valor concedido de desconto
`valor_total`	Valor final da venda
`forma_pagamento`	Forma utilizada para pagamento
`parcelas`	Quantidade de parcelas
`canal_venda`	Canal em que a venda ocorreu
`cidade`	Cidade da venda
`uf`	Estado da venda
`status_venda`	Situação da venda

Parte 1

Importando os dados

Importe a biblioteca Pandas.
Carregue o arquivo vendas_1000.csv em um DataFrame chamado df_vendas.
Carregue também o arquivo vendas_1000.xlsx em outro DataFrame.
Verifique se os dois arquivos possuem a mesma quantidade de linhas e colunas.

Parte 2

Conhecendo os dados

Qual é o tipo da variável df_vendas?
Quantas linhas existem no DataFrame?
Quantas colunas existem?
Exiba as 5 primeiras linhas.
Exiba as 5 últimas linhas.
Visualize as informações gerais do DataFrame e os tipos das colunas.
Exiba os nomes de todas as colunas disponíveis.

Parte 3

Banco de Dados

Importe a biblioteca utilizada para comunicação com o PostgreSQL.
Crie uma conexão entre Python e PostgreSQL.
Crie no banco uma tabela chamada vendas.
A estrutura da tabela deve ser compatível com as 19 colunas da fonte de dados.
Crie um cursor para executar comandos SQL.
Percorra os registros do DataFrame e insira os dados na tabela vendas.
Utilize commit() para efetivar as inserções.

Parte 4

PostgreSQL → Pandas

Execute uma consulta SQL pelo Python.
Retorne 10 registros da tabela vendas.
Armazene o resultado da consulta em um novo DataFrame.
Exiba os registros retornados.
Ao finalizar o processo, feche os recursos utilizados na conexão com o banco.

Desafio bônus

Do CSV para o Excel.

Você recebeu inicialmente a fonte de dados em CSV. Agora o setor comercial informou que as próximas bases serão entregues em Excel (.xlsx).

Descubra como fazer a leitura desse arquivo utilizando Pandas e compare quantidade de registros, quantidade de colunas e nomes das colunas. Os resultados dos arquivos CSV e Excel são iguais?

Objetivo e entregável

Fonte de Dados → Python → Pandas → DataFrame → PostgreSQL → SQL → DataFrame

Mais importante do que chegar ao resultado é entender o que cada comando executado está fazendo.

Entregável

Apresente seu Notebook (.ipynb) contendo os códigos utilizados e os resultados obtidos durante cada etapa do desafio. Depois, poste o aprendizado no LinkedIn.