Como aprender Python para análise de dados do zero

Para aprender Python para análise de dados do zero, comece num notebook pronto (Google Colab ou Jupyter), aprenda os fundamentos da linguagem em poucas semanas e vá logo para o pandas, a biblioteca que lê, limpa e resume tabelas. Depois vêm gráficos, SQL com Python, automações e, se fizer sentido para o seu objetivo, machine learning. O que mais acelera é praticar com bases reais e montar pequenos projetos desde o início.

Por Felipy MoraisAnalista e engenheiro de dados, certificado Microsoft PL-300, DP-600 e DP-700

Publicado em 12 de novembro de 2026 · Atualizado em 12 de novembro de 2026

Por que Python para análise de dados

Python é uma linguagem de programação de uso geral com sintaxe limpa, fácil de ler e com uma coleção enorme de bibliotecas para dados. Com ele você lê planilhas, arquivos CSV, bancos de dados e APIs, trata dados bagunçados, calcula estatísticas, faz gráficos e automatiza tarefas que hoje você repete à mão toda semana.

Para o analista de dados, Python costuma vir depois de Excel, SQL e Power BI, como o diferencial que permite ir além: juntar dezenas de arquivos de uma vez, fazer análises estatísticas, criar rotinas automáticas e dar os primeiros passos em machine learning. Se você está em dúvida sobre a ordem, leia SQL ou Python: por onde começar.

Etapa 1: o ambiente (Google Colab ou Jupyter)

O primeiro obstáculo de muita gente é instalar Python. Você pode pular essa parte no começo:

• Google Colab: roda no navegador, não precisa instalar nada, já vem com pandas, NumPy e Matplotlib. Basta uma conta Google. É a forma mais rápida de escrever a primeira linha de código hoje.
• Jupyter Notebook ou JupyterLab: o mesmo formato de notebook, rodando no seu computador. A forma mais simples de instalar é pela distribuição Anaconda ou pelo VS Code com a extensão de Python e Jupyter.

Notebooks misturam código, resultado e texto na mesma página. Isso é ótimo para análise: você roda uma célula, vê a tabela ou o gráfico e segue para a próxima. Mais tarde, quando for automatizar, você vai escrever arquivos .py no VS Code.

Roteiro em 8 etapas para aprender Python para dados

vendas = [1200, 850, 430, 2100]
total = 0
for valor in vendas:
    if valor > 500:
        total += valor
print("Total das vendas acima de 500:", total)

import pandas as pd

df = pd.read_csv("vendas.csv")
df.head()        # primeiras linhas
df.info()        # colunas, tipos e nulos
df.describe()    # média, mínimo, máximo, quartis

entregues = df[df["status"] == "entregue"]
por_mes = (entregues
           .groupby("mes")["valor"]
           .sum()
           .reset_index())
completo = entregues.merge(clientes, on="cliente_id", how="left")

df = df.drop_duplicates()
df["data"] = pd.to_datetime(df["data"], dayfirst=True)
df["cidade"] = df["cidade"].str.strip().str.title()
df["valor"] = df["valor"].fillna(0)

import matplotlib.pyplot as plt

por_mes.plot(x="mes", y="valor", kind="bar", legend=False)
plt.title("Faturamento por mês")
plt.tight_layout()
plt.show()

import sqlite3
import pandas as pd

con = sqlite3.connect("loja.db")
df = pd.read_sql("SELECT estado, SUM(valor) AS total FROM pedidos GROUP BY estado", con)

from pathlib import Path
import pandas as pd

arquivos = Path("relatorios").glob("*.xlsx")
base = pd.concat([pd.read_excel(a) for a in arquivos], ignore_index=True)
base.to_excel("consolidado.xlsx", index=False)

Quanto estudar de cada etapa

A tabela abaixo mostra a prioridade de cada etapa conforme o objetivo. O tempo depende da sua rotina; o importante é a ordem e a prática constante.

Projetos para praticar e colocar no portfólio

• Análise de vendas: pegue uma base de pedidos, limpe, calcule faturamento por mês, ticket médio e produtos mais vendidos, e escreva três conclusões.
• Consolidador de planilhas: um script que junta todos os arquivos de uma pasta e gera um relatório pronto em Excel.
• Dados públicos: use dados abertos do governo (IBGE, portais de transparência) e responda uma pergunta que interessa a você.
• Consulta a uma API: baixe cotações, clima ou outro dado público e monte um gráfico atualizado.
• Primeiro modelo: preveja uma variável simples (por exemplo, se um cliente vai cancelar) e explique o que o modelo acerta e erra.

Publique o notebook no GitHub com um texto curto explicando o problema, o que você fez e o que descobriu. Quem avalia um portfólio quer ver raciocínio, não só código.

Erros comuns de quem está começando

• Passar semanas só na sintaxe antes de tocar numa base de dados de verdade. Vá para o pandas cedo.
• Travar na instalação: comece no Colab e instale depois.
• Copiar código sem entender, inclusive o que a IA sugere. Leia linha por linha e mude algo para ver o efeito.
• Usar laços para tudo: no pandas, operações em colunas inteiras são mais simples e muito mais rápidas.
• Pular a limpeza e tirar conclusões de dados com duplicados e nulos.
• Pular para machine learning sem saber analisar e explicar uma tabela.

Perguntas frequentes

Continue lendo

• Curso de Python para análise de dados
• SQL ou Python: por onde começar
• Como aprender SQL para análise de dados
• Como virar analista de dados
• Formação Analista de Dados

Sobre o autor

Felipy Morais é analista e engenheiro de dados com mais de 6 anos de experiência, certificado Microsoft PL-300, DP-600 e DP-700 e Databricks Fundamentals. É fundador e instrutor da Educadados. Conheça a trajetória.