Métodos úteis de Series

s.describe() gera um resumo estatístico em uma única chamada: contagem, média, desvio padrão, mínimo, percentil 25 (Q1), mediana (Q2), percentil 75 (Q3) e máximo. Para Series de texto, retorna contagem, valores únicos, valor mais frequente e frequência. É a maneira mais rápida de obter uma visão da distribuição de uma coluna ao explorar um conjunto de dados pela primeira vez.

s.value_counts() retorna uma nova Series com os valores únicos como índice e suas contagens de ocorrência como dados, ordenadas em ordem decrescente de contagem. Passe normalize=True para obter proporções em vez de contagens brutas. Essa é a primeira operação a executar em uma coluna categórica para entender sua distribuição.

s.unique() retorna uma matriz do NumPy com os valores distintos na ordem em que aparecem pela primeira vez (ao contrário de value_counts, que ordena por frequência). s.nunique() retorna como inteiro a contagem de valores distintos — a cardinalidade da coluna. Por padrão, ambos ignoram NaN. Use nunique(dropna=False) para contar NaN como um valor distinto.

s.map() aplica uma função, um dicionário ou outra Series a cada elemento. Quando você passa um dicionário, cada valor é substituído pelo valor correspondente do dicionário, e os valores que não estão nele se tornam NaN. Quando você passa uma função, ela é aplicada elemento a elemento. map é ideal para recodificar rótulos categóricos ou aplicar tabelas de consulta.

s.apply(func) aplica um objeto chamável do Python a cada elemento e reúne os resultados. Ao contrário de map(), foi projetado para funções mais complexas que podem retornar objetos não escalares. Para transformações simples elemento a elemento, prefira map() ou uma expressão vetorizada; use apply() quando a lógica for complexa demais para ser vetorizada diretamente.

s.sort_values() retorna a Series ordenada pelos valores dos dados em ordem crescente (passe ascending=False para ordem decrescente). s.sort_index() ordena pelos rótulos do índice. Por padrão, nenhum dos dois modifica a Series original. Passe inplace=True para modificar no próprio objeto (menos recomendado no código moderno do Pandas que encadeia operações).

s.isin(values) retorna uma Series booleana que é True sempre que o elemento está na lista ou no conjunto fornecido. Isso é mais legível do que várias condições com | e é significativamente mais rápido para conjuntos grandes. É usado com frequência para filtrar linhas pertencentes a um grupo específico ou sinalizar registros que correspondem a uma lista de consulta.

s.between(left, right, inclusive='both') retorna uma Series booleana que é True quando o valor está dentro do intervalo [left, right]. Por padrão, os dois limites são inclusivos. Isso é mais conciso do que escrever (s >= left) & (s <= right) e comunica claramente a intenção. É útil para filtrar intervalos numéricos, como faixas etárias ou de preços.

s.head(n) retorna os primeiros n elementos (5 por padrão) e s.tail(n) retorna os últimos n. Esses métodos são usados constantemente durante a exploração de dados para visualizar o início e o fim de uma Series longa sem imprimir milhares de linhas. Eles retornam uma nova Series (uma fatia), portanto não modificam a original.

s.rename('new_name') retorna uma nova Series com um atributo name diferente. Para renomear os rótulos do índice, passe um dicionário ou uma função: s.rename(index={'old': 'new'}). Renomear é importante antes de combinar Series em um DataFrame, pois o name da Series se torna o cabeçalho da coluna. Sempre renomeie em vez de reatribuir valores brutos.

s.idxmin() retorna o rótulo do índice do menor valor, e s.idxmax() retorna o rótulo do maior valor. Isso é mais útil do que argmin/argmax quando o índice tem rótulos significativos, como datas ou nomes de produtos — você obtém o identificador real, não apenas um número de posição.

Teste sua compreensão dos métodos úteis de Series apresentados nesta lição.

Nesta lição, você aprendeu que: describe() fornece um resumo estatístico em uma única chamada, value_counts() cria uma tabela de frequência dos valores exclusivos e map() traduz valores usando um dicionário, enquanto apply() executa uma função personalizada em cada elemento. A seguir, começaremos a trabalhar com DataFrames — a principal estrutura bidimensional para a análise de dados com Pandas.