Limpeza e Transformação de Dados
Nesta página
De Dados Brutos a Insights Acionáveis
Os dados do mundo real raramente estão limpos. Encontrará duplicados provenientes de importações duplas, valores em falta porque um campo era opcional, formatos de data que variam consoante quem introduziu os dados e colunas herdadas de ferramentas legadas. Antes de poder analisar qualquer coisa, tem de limpar os dados. Esta etapa foi, durante muito tempo, a mais ingrata do trabalho. O ChatGPT transforma-a numa conversa: descreve o problema, ele gera o código de limpeza, executa-o e mostra-lhe o resultado para verificação antes de prosseguir.
Diagnosticar a Qualidade dos Seus Dados
Limpar sem diagnóstico é como reparar algo de olhos vendados. Comece todas as sessões com uma auditoria:
Analyze the quality of this file: missing values per column,
duplicates, detected data types, and potential outliers.
O relatório fornece a percentagem de valores em falta por coluna, o número de linhas duplicadas, colunas com tipos inconsistentes — uma mistura de texto e números indica quase sempre introdução manual — e valores extremos provavelmente devidos a erros de digitação. Num ficheiro de encomendas, a auditoria pode revelar clientes sem códigos postais ou uma encomenda de 950.000 € em vez de 950 €. Um prompt mais curto também funciona: “Check this file: what common issues do you find?”. O ChatGPT pode então sugerir várias formas de os corrigir; pergunte sobre as consequências de cada uma antes de escolher.
Gerir Valores em Falta
Este é o problema mais frequente e não existe uma solução única: a estratégia certa depende do significado do espaço vazio no seu contexto. Um montante em falta não é o mesmo que um endereço de e-mail em falta.
Eliminar linhas incompletas funciona quando os dados em falta são escassos e não críticos. Uma campanha de e-mail não serve de nada sem um contacto sem endereço: essa linha é irrecuperável.
Delete all rows where the "email" column is empty.
Preencher com um valor predefinido faz sentido quando conhece o valor lógico. Se a sua empresa opera exclusivamente em França e o campo do país era opcional, a ausência significa “França”; um montante em falta numa linha de desconto significa zero, e não “desconhecido”.
Replace missing values in "country" with "France"
and those in "amount" with 0.
Por fim, a interpolação adequa-se a séries temporais e dados contínuos, onde um valor nulo criaria uma lacuna artificial na curva.
For missing values in "monthly_revenue", use the average
of the previous and following months for the same customer.
Remover Duplicados
Os duplicados distorcem todas as estatísticas subsequentes: contar um cliente duas vezes duplica a sua contribuição para a receita e inflaciona artificialmente a sua classificação. No entanto, deve primeiro definir o que constitui um duplicado, uma vez que duas encomendas do mesmo cliente no mesmo dia podem ser legítimas.
Identify and remove duplicates based on the columns
"customer_name" and "order_date". Keep the first occurrence.
Peça ao ChatGPT para lhe mostrar as linhas afetadas antes de as remover e reserve tempo para as rever: é precisamente neste momento que verá se está a eliminar um verdadeiro duplicado de importação ou uma segunda encomenda genuína.
Padronizar Formatos
As datas são o primeiro obstáculo. Um ficheiro alimentado por múltiplas fontes contém frequentemente “15/03/2026”, “2026-03-15” e “15 March 2026”, que o pandas não consegue ordenar em conjunto: a sua curva mensal permanecerá silenciosa até que isto seja resolvido.
Convert all dates in the "purchase_date" column
to YYYY-MM-DD format and flag those that cannot be converted.
O texto coloca dificuldades mais insidiosas, pois permanece legível aos olhos humanos. “Paris”, “PARIS” e “paris” contam como três cidades distintas; um espaço no final após “Lyon ” cria uma quarta; “Saint-Étienne” versus “St Etienne” divide as suas vendas regionais em duas linhas, nenhuma das quais está correta.
Normalize the "city" column: capitalize the first letter,
remove extra spaces, and group variants
(Saint/St, missing hyphens).
Por fim, os números chegam frequentemente formatados para exibição e não para cálculo. Enquanto a coluna contiver “1,250.50 €”, nenhuma soma é possível.
The "price" column contains values like "1,250.50 €".
Convert it to a decimal number (1250.50) and remove the euro symbol.
Criar Novas Colunas
A transformação não serve apenas para corrigir; serve também para enriquecer. Uma coluna de datas torna-se num eixo trimestral para comparar períodos; uma coluna de montantes torna-se num segmento comercial utilizável nas suas análises.
Create a "quarter" column from "order_date"
and a "revenue_tier" column that categorizes revenue as:
"Small" (< 1000), "Medium" (1000-5000), "Large" (> 5000).
O ChatGPT gera o código pandas correspondente, utilizando pd.cut() ou condições lógicas, e executa-o. Verifique então a distribuição resultante: se 90% dos seus clientes se enquadrarem em “Small”, os seus limiares estão mal calibrados e a segmentação não lhe ensinará nada.
Exportar Dados Limpos
Assim que a limpeza estiver concluída, obtenha o ficheiro limpo. O botão de descarga, localizado no canto superior direito de uma tabela produzida pelo ChatGPT, guarda-o em formato CSV. Para um formato específico, solicite-o:
Export the cleaned DataFrame as CSV (UTF-8, semicolon separator)
so I can download it.
Abra depois o ficheiro no seu software de folha de cálculo e compare a contagem de linhas com a original: fica com um ficheiro utilizável noutros locais — Excel, ferramenta de BI, próxima sessão — sem ter de refazer tudo na semana seguinte. Trabalhe sempre numa cópia e mantenha o ficheiro original intacto para poder reverter, se necessário.
A Sua Vez
A sua primeira limpeza.
- Importe uma cópia de um ficheiro real e solicite uma auditoria de qualidade
- Trate os valores em falta coluna por coluna, com base no significado do espaço vazio
- Defina o que constitui um duplicado, examine as linhas afetadas e remova-as
- Padronize datas, cidades e montantes
- Descarregue o ficheiro limpo e compare a contagem de linhas com a original
Fontes oficiais: Extracting Insights with ChatGPT Data Analysis · Data analysis with ChatGPT (Centro de Ajuda da OpenAI)
Pontos-chave
- Comece sempre com uma auditoria de qualidade antes de analisar
- O ChatGPT trata valores em falta, duplicados e formatos inconsistentes em poucas mensagens
- Verifique sistematicamente os resultados intermédios — peça uma pré-visualização após cada operação
- Exporte o ficheiro limpo para o reutilizar noutras ferramentas, se necessário
- O código Python é visível: pode copiá-lo e reutilizá-lo nos seus próprios scripts