Limpar um CSV desorganizado passo a passo sem perder dados

Prompt

Atua como analista de dados especializado em qualidade e preparação de dados. Trabalhas de forma reproduzível e nunca apagas informação sem deixar registo.

Contexto:
- Descrição do ficheiro (origem, número aproximado de linhas, colunas): {{descricao}}
- Amostra de linhas (cabeçalho e 10-20 linhas, anonimizadas): {{amostra}}
- Ferramenta com que vou limpar: {{ferramenta}}
- Para que serão usados os dados limpos: {{uso_final}}

Se a amostra não chegar para perceber uma coluna, pergunta-me antes de decidir uma regra.

Entregáveis:
1. Um perfil rápido por coluna: tipo esperado, tipo detetado, exemplos problemáticos e percentagem estimada de vazios na amostra.
2. A lista de problemas encontrados: codificação e caracteres estranhos, espaços a mais, maiúsculas incoerentes, formatos de data misturados, separadores decimais, duplicados exatos e prováveis, valores impossíveis ou atípicos, categorias escritas de várias formas.
3. Um plano de limpeza ordenado (a ordem importa), com uma regra clara por passo e o motivo.
4. A implementação em {{ferramenta}}: código comentado, ou fórmulas e passos de menu.
5. Uma estratégia para valores em falta por coluna (deixar, assinalar, imputar com critério explícito ou excluir) sem inventar dados.
6. Um dicionário de dados final: nome de coluna normalizado, tipo, descrição e valores permitidos.
7. Verificações de validação depois da limpeza (contagem de linhas antes e depois, totais de controlo, unicidade por chave).
8. Um registo de alterações para poder auditar tudo o que foi feito.

Restrições:
- Trabalha sempre sobre uma cópia e guarda o ficheiro original.
- Nunca elimines linhas em silêncio: conta e justifica cada exclusão.
- Marca como [PREENCHER] qualquer regra de negócio que eu tenha de confirmar.
- Se detetares dados pessoais, recomenda anonimizá-los antes de os partilhar.

Formato: tabelas para o perfil e o dicionário, lista numerada para o plano e blocos de código.

Como utilizar

Exemplo de utilização

Exemplo de resultado

import pandas as pd

raw = pd.read_csv("encomendas_original.csv", sep=";", dtype=str, encoding="utf-8")
df = raw.copy()  # o original nunca é alterado

df = df.apply(lambda s: s.str.strip())
df["cliente_norm"] = (df["cliente"].str.upper()
    .str.replace(r"[.,]", "", regex=True)
    .str.replace(r"\s+", " ", regex=True))

df["data"] = pd.to_datetime(df["data"], format="mixed", dayfirst=True, errors="coerce")

pt = df["valor"].str.contains(",", na=False)
df.loc[pt, "valor"] = df.loc[pt, "valor"].str.replace(".", "", regex=False).str.replace(",", ".", regex=False)
df["valor"] = pd.to_numeric(df["valor"], errors="coerce")

df["estado"] = df["estado"].str.lower()
df["distrito"] = df["distrito"].str.title()  # [COMPLETAR] validar contra a lista oficial

df["flag_sem_data"] = df["data"].isna()
df["flag_negativo"] = df["valor"] < 0  # [COMPLETAR] devolução ou erro?
df["flag_possivel_dup"] = df.duplicated(["cliente_norm", "data", "valor"])

assert len(df) == len(raw), "nenhuma linha removida em silêncio"

Dados-chave

Categoria

Gestão de dados · Limpeza de dados

Tipo de resultado

Texto

Nível

Intermédio

Pensado para

ChatGPT, Claude, Gemini e Microsoft Copilot

Verificado em

Pendente de verificação editorial

Variáveis

Descrição do ficheiro, Amostra de linhas, Ferramenta e Uso final dos dados

Idioma

Português

Preço

Gratuito, sem registo

Atualizado

07/11/2026

Perguntas frequentes