4  CD: Manipulação

5 Introdução

Esta aula marca uma divisão no curso de trainee. Até agora, vocês estavam aprendendo várias ferramentas úteis, mas sem um objetivo específico além de simplesmente aprender a programar em Python. Nesta aula, vamos apresentar o objetivo, vocês irão aprender a realizar “projetos de Ciência de Dados”.

5.1 Ciência de Dados

5.1.1 A Ciência de Dados

A Ciência de Dados é um campo gigante, que nasceu via uma demanda de expandir a estatística para vias de “learn from data”, “more emphasis on data preparation and presentation rather than statistical modeling”, e “emphasis on prediction rather than inference”. Atualmente, o termo não é super bem definido, e o campo tem muita intersecção com outras disciplinas.

De acordo com a Wikipedia:

Data science is an interdisciplinary academic field that uses statistics, scientific computing, scientific methods, processes, algorithms and systems to extract or extrapolate knowledge and insights from data.

Fontes: “50 Years of Data Science” (2017) e Wikipedia.

5.1.2 As etapas de um projeto

Mais interessante que ficar tentando definir a disciplina, vamos entendê-la na prática. Como a aula é minha, e eu faço o que eu quiser, vou utilizar a explicação do livro “R for Data Science”.

Um projeto comum, no geral, se parece como abaixo. Veja uma breve explicação de cada tópico.

5.1.2.1 Importing

A primeira etapa é a importação. Alguns comentários:

• Os dados podem vir de várias fontes, como arquivos locais, bancos de dados, APIs (application programming interface), ou de sites (via web scrapping).
• Os dados podem estar em vários formatos como CSV, Excel, JSON, entre outros. É interessante ter um conhecimento básico de como cada um funciona.
• Cada tipo de fonte tem uma maneira diferente de se interagir, e cada formato exige sua própria função. Para os casos mais simples, o pandas (e qualquer outra biblioteca de dataframes), tem funções para I/O.

Não vamos entrar em detalhes nesse tema. Não é algo super extenso nem complexo, e existem muitas referências online. Uma das mais completas que achei foi esse tutorial da RealPython.

5.1.2.2 Tidy

A próxima etapa é arrumar, tidy, os dados. Vamos falar sobre isso com mais detalhe, mas existe uma noção bem específica do que são dados arrumados, tidy data.

As três próximas etapas existem dentro de um ciclo.

5.1.2.3 Transform

Mesmo com dados já arrumados, ainda temos o interesse de transformá-los, para conseguir obter insights novos da mesma base de dados. Na aula de hoje, vamos dar alguns exemplos de interesses, e este tema ficará mais claro.

Visualizar e modelar os dados trará novos insights e novas demandas, de modo que estamos constantemente transformando os dados para criar novas visualizações e modelagens.

Tidy e transform juntos são chamados de data wrangling.

5.1.2.4 Visualize

Aqui, serei preguiçoso, o texto do Hadley Wickham é muito bom:

Visualisation is a fundamentally human activity. A good visualisation will show you things that you did not expect, or raise new questions about the data. A good visualisation might also hint that you’re asking the wrong question, or you need to collect different data. Visualisations can surprise you, but don’t scale particularly well because they require a human to interpret them.

5.1.2.5 Model

Um modelo é, em termos simplificados e a depender do contexto, um conjunto de hipóteses sobre o mundo – sobre o processo gerador dos dados –, acrescido com um método matemático e computacional de estimar esse processo.

Models are a fundamentally mathematical or computational tool, so they generally scale well. (…) But every model makes assumptions, and by its very nature a model cannot question its own assumptions. That means a model cannot fundamentally surprise you.

5.1.2.6 Comunication

O último passo é comunicação. As linguagens de programação provém ferramentas para expor seus resultados. O próprio Jupyter Notebook onde esta aula foi escrita é um exemplo disso. Mas existem muitas outras ferramentas mais avançadas para criar reports, livros, páginas na web, aplicativos, etc. No curso de trainee, não iremos cobrir essa etapa com detalhe.

Por fim, dos últimos comentários. Primeiro, e a programação?

Surrounding all these tools is programming. Programming is a cross-cutting tool that you use in every part of the project. You don’t need to be an expert programmer to be a data scientist, but learning more about programming pays off because becoming a better programmer allows you to automate common tasks, and solve new problems with greater ease.

E o que falta?

No curso do trainee iremos explicar todas as etapas (fora comunicação), mas é só isso que você precisará? Não, cada projeto exige seu conhecimento específico, em cada tema, cada disciplina, existem conceitos próprios que entrarão em alguma das etapas aqui descritas. Mas tudo bem, o importante é vocês saberem a base, e conseguirão ir atrás do adicional por conta própria.

O caminho é o seguinte:

• Na aula de hoje, aprenderemos as etapas de tidy e transform.
• Na aula 5, aprenderemos a etapa visualize.
• Na aula 6, aprenderemos a etapa model.
• Por fim, na aula 7, juntaremos tudo, aprendendo como fazer um projeto completo. Adicionalmente, aprenderemos como organizar um script para tal.

5.1.3 Data Wrangle e Tidy Data

5.1.3.1 Tidy data

Dados podem ser representados de várias maneiras, veja os exemplos abaixo. Nenhuma delas é necessariamente melhor que as outras, são organizações diferentes.

Para ciência de dados, será útil utilizar uma organização específica, chamada de “tidy dataset”. Três regras a definem:

• Cada variável deve ter sua própria coluna.
• Cada observação deve ter sua própria linha.
• Cada valor deve ter sua própria célula.

Quais são os benefícios de organizar dados assim?

• A consistência de utilizar uma mesma organização, independente de qual, é muito útil, especialmente porque facilita entender as ferramentas que trabalharão com ela.
• A arrumação tidy é intuitiva, e é utilizada de maneira muito natural nas ferramentas, muitaz vezes vetorizadas, de visualização e modelagem.

5.1.3.2 Arrumando datasets

Agora que já entendemos o que é tidy data, podemos adquirir a habilidade de olhar para um dataset e, sabendo onde queremos chegar, elencar quais são as alterações a serem feitas – “remover esta linha”, “dividir essa coluna no meio”.

Após elencar quais alterações devem ser feitas, é simples fazer a ponte de quais manipulações de dados você quer fazer – “subset linhas” e “separar colunas”.

Por fim, só falta relembrar como é o código que aplica essa manipulação. Essa é a parte mais simples! É só voltar na aula passada, pesquisar na internet, ver no chat, ou perguntar para o seu amigo preferido!

Tendo as duas primeiras habilidades, você tem tudo o que precisa para pesquisar, e não há problema nenhum em ter que pesquisar, o problema é ter que pesquisar , e não saber como!. Agora, se você só sabe a terceira, você não precisa pesquisar, mas não sabe o que você não precisa pesquisar, o que não é especialmente útil.

Se você quiser ficar insano no pandas, rever a aula passada três vezes por dia, deitado numa banheira congelada, será ótimo, você ficará eficiênte muito rápidamente. Mas não precisa, essa eficiência vem com o tempo, e o mais importante é saber a lógica de “o que precisa alterar” e “quais são as manipulações que existem”.

Ok, sem mais delongas, vamos aprender a elencar alterações, vamos ver uns exemplos vide o PPT.

Qual foi a receitinha de bolo que aprendemos? (hmm bolo 😋). Recebemos um dataset, e:

• Arrumar os dados para o formato data frame.
  • Todas as colunas são homogêneas?
    • Remover linhas “ruins”, converter valores.
  • Todas as colunas são do mesmo tamanho?
    • Remover linhas “ruins”.
• Arrumar os dados para o formato tidy.
  • Toda coluna é uma variável?
    • Remover colunas “ruins”.
    • Separar/unir colunas colunas.
  • Toda linha é uma observação?
    • Quais são as variáveis que definem uma observação?
    • Pivot e melt.
  • Toda célula é um valor?
    • Transformar dados “ruins” em NA.
    • Lidar com dados NA.
• Tenho mais de um dataset? Deixá-los tidy e então realizaram algum merge.

5.1.4 Transform

Após arrumarmos um dataset, ainda aplicaremos transformações com base nas demandas da fase de visualização e modelagem.

• Manipular linhas.
  • Sorting.
  • Sampling.
  • Filtrar observações.
• Transformar/criar colunas:
  • Alterar a unidade de uma variável.
  • Normalizar variáveis.
  • Agrupar as categorias de uma variável categórica.
  • Corrigir/formatar texto de variáveis string.
  • Manipular datas.
  • Criar novas colunas a partir de operações com múltiplas outras Exemplos: salário semanal * semanas trabalhadas; idade ao quadrado.
  • Criar uma coluna para ajudar em um plot.

Todas essas operações são factíveis de serem feitas com base na aula passada de pandas. Vocês verão muitos exemplos dessa etapa na aula 6.

---

😎

---

5.2 Data Wrangle com Pandas

import pandas as pd

# Carregar os dados
df = pd.read_csv("C:\\Users\\Usuario\\Downloads\\car.csv")
display(df["Unnamed: 0"])
display(df.head())

display(df.info())

0          0
1          1
2          2
3          3
4          4
        ... 
6014    6014
6015    6015
6016    6016
6017    6017
6018    6018
Name: Unnamed: 0, Length: 6019, dtype: int64

	Unnamed: 0	Name	Location	Year	Distance_Driven	Fuel Type	Transmission	Owner Mileage	Engine	Power	Seats	Trunk	New_Price	Price
0	0	Maruti Wagon R LXI CNG	Mumbai	2010	72000km	CNG	Manual	First -- 26.6 km/kg	998 CC	58.16 bhp	5.0	No	NaN	1.75
1	1	Hyundai Creta 1.6 CRDi SX Option	Pune	2015	41000km	Diesel	Manual	First -- 19.67 kmpl	1582 CC	126.2 bhp	5.0	Yes	NaN	12.50
2	2	Honda Jazz V	Chennai	2011	46000km	Petrol	Manual	First -- 18.2 kmpl	1199 CC	88.7 bhp	5.0	No	8.61 Lakh	4.50
3	3	Maruti Ertiga VDI	Chennai	2012	87m	Diesel	Manual	First -- 20.77 kmpl	1248 CC	88.76 bhp	7.0	No	NaN	6.00
4	4	Audi A4 New 2.0 TDI Multitronic	Coimbatore	2013	40670km	Diesel	Automatic	Second -- 15.2 kmpl	1968 CC	140.8 bhp	5.0	Yes	NaN	17.74

<class 'pandas.core.frame.DataFrame'>
RangeIndex: 6019 entries, 0 to 6018
Data columns (total 14 columns):
 #   Column           Non-Null Count  Dtype  
---  ------           --------------  -----  
 0   Unnamed: 0       6019 non-null   int64  
 1   Name             6019 non-null   object 
 2   Location         6019 non-null   object 
 3   Year             6019 non-null   int64  
 4   Distance_Driven  6019 non-null   object 
 5   Fuel Type        6019 non-null   object 
 6   Transmission     6019 non-null   object 
 7   Owner Mileage    6019 non-null   object 
 8   Engine           5983 non-null   object 
 9   Power            5983 non-null   object 
 10  Seats            5977 non-null   float64
 11  Trunk            6002 non-null   object 
 12  New_Price        824 non-null    object 
 13  Price            6019 non-null   float64
dtypes: float64(2), int64(2), object(10)
memory usage: 658.5+ KB

None

5.2.1 Remoção de colunas

df = df.drop("Unnamed: 0", axis=1)
display(df)

	Name	Location	Year	Distance_Driven	Fuel Type	Transmission	Owner Mileage	Engine	Power	Seats	Trunk	New_Price	Price
0	Maruti Wagon R LXI CNG	Mumbai	2010	72000km	CNG	Manual	First -- 26.6 km/kg	998 CC	58.16 bhp	5.0	No	NaN	1.75
1	Hyundai Creta 1.6 CRDi SX Option	Pune	2015	41000km	Diesel	Manual	First -- 19.67 kmpl	1582 CC	126.2 bhp	5.0	Yes	NaN	12.50
2	Honda Jazz V	Chennai	2011	46000km	Petrol	Manual	First -- 18.2 kmpl	1199 CC	88.7 bhp	5.0	No	8.61 Lakh	4.50
3	Maruti Ertiga VDI	Chennai	2012	87m	Diesel	Manual	First -- 20.77 kmpl	1248 CC	88.76 bhp	7.0	No	NaN	6.00
4	Audi A4 New 2.0 TDI Multitronic	Coimbatore	2013	40670km	Diesel	Automatic	Second -- 15.2 kmpl	1968 CC	140.8 bhp	5.0	Yes	NaN	17.74
...	...	...	...	...	...	...	...	...	...	...	...	...	...
6014	Maruti Swift VDI	Delhi	2014	27365	Diesel	Manual	First -- 28.4 kmpl	1248 CC	74 bhp	5.0	Yes	7.88 Lakh	4.75
6015	Hyundai Xcent 1.1 CRDi S	Jaipur	2015	100000km	Diesel	Manual	First -- 24.4 kmpl	1120 CC	71 bhp	5.0	No	NaN	4.00
6016	Mahindra Xylo D4 BSIV	Jaipur	2012	55000km	Diesel	Manual	Second -- 14.0 kmpl	2498 CC	112 bhp	8.0	Yes	NaN	2.90
6017	Maruti Wagon R VXI	Kolkata	2013	46m	Petrol	Manual	First -- 18.9 kmpl	998 CC	67.1 bhp	5.0	No	NaN	2.65
6018	Chevrolet Beat Diesel	Hyderabad	2011	47m	Diesel	Manual	First -- 25.44 kmpl	936 CC	57.6 bhp	5.0	No	NaN	2.50

6019 rows × 13 columns

5.2.2 Contar quantidade de valores nulos e trata-los

df.isna().sum()

Name                  0
Location              0
Year                  0
Distance_Driven       0
Fuel Type             0
Transmission          0
Owner Mileage         0
Engine               36
Power                36
Seats                42
Trunk                17
New_Price          5195
Price                 0
dtype: int64

df = df.drop("New_Price", axis=1)
display(df)

	Name	Location	Year	Distance_Driven	Fuel Type	Transmission	Owner Mileage	Engine	Power	Seats	Trunk	Price
0	Maruti Wagon R LXI CNG	Mumbai	2010	72000km	CNG	Manual	First -- 26.6 km/kg	998 CC	58.16 bhp	5.0	No	1.75
1	Hyundai Creta 1.6 CRDi SX Option	Pune	2015	41000km	Diesel	Manual	First -- 19.67 kmpl	1582 CC	126.2 bhp	5.0	Yes	12.50
2	Honda Jazz V	Chennai	2011	46000km	Petrol	Manual	First -- 18.2 kmpl	1199 CC	88.7 bhp	5.0	No	4.50
3	Maruti Ertiga VDI	Chennai	2012	87m	Diesel	Manual	First -- 20.77 kmpl	1248 CC	88.76 bhp	7.0	No	6.00
4	Audi A4 New 2.0 TDI Multitronic	Coimbatore	2013	40670km	Diesel	Automatic	Second -- 15.2 kmpl	1968 CC	140.8 bhp	5.0	Yes	17.74
...	...	...	...	...	...	...	...	...	...	...	...	...
6014	Maruti Swift VDI	Delhi	2014	27365	Diesel	Manual	First -- 28.4 kmpl	1248 CC	74 bhp	5.0	Yes	4.75
6015	Hyundai Xcent 1.1 CRDi S	Jaipur	2015	100000km	Diesel	Manual	First -- 24.4 kmpl	1120 CC	71 bhp	5.0	No	4.00
6016	Mahindra Xylo D4 BSIV	Jaipur	2012	55000km	Diesel	Manual	Second -- 14.0 kmpl	2498 CC	112 bhp	8.0	Yes	2.90
6017	Maruti Wagon R VXI	Kolkata	2013	46m	Petrol	Manual	First -- 18.9 kmpl	998 CC	67.1 bhp	5.0	No	2.65
6018	Chevrolet Beat Diesel	Hyderabad	2011	47m	Diesel	Manual	First -- 25.44 kmpl	936 CC	57.6 bhp	5.0	No	2.50

6019 rows × 12 columns

df = df.dropna()

5.2.3 Separação de dados

df[['owner', 'mileage']] = df['Owner Mileage'].str.split('--', expand=True)

df = df.drop("Owner Mileage", axis = 1)
df

	Name	Location	Year	Distance_Driven	Fuel Type	Transmission	Engine	Power	Seats	Trunk	Price	owner	mileage
0	Maruti Wagon R LXI CNG	Mumbai	2010	72000km	CNG	Manual	998 CC	58.16 bhp	5.0	No	1.75	First	26.6 km/kg
1	Hyundai Creta 1.6 CRDi SX Option	Pune	2015	41000km	Diesel	Manual	1582 CC	126.2 bhp	5.0	Yes	12.50	First	19.67 kmpl
2	Honda Jazz V	Chennai	2011	46000km	Petrol	Manual	1199 CC	88.7 bhp	5.0	No	4.50	First	18.2 kmpl
3	Maruti Ertiga VDI	Chennai	2012	87m	Diesel	Manual	1248 CC	88.76 bhp	7.0	No	6.00	First	20.77 kmpl
4	Audi A4 New 2.0 TDI Multitronic	Coimbatore	2013	40670km	Diesel	Automatic	1968 CC	140.8 bhp	5.0	Yes	17.74	Second	15.2 kmpl
...	...	...	...	...	...	...	...	...	...	...	...	...	...
6014	Maruti Swift VDI	Delhi	2014	27365	Diesel	Manual	1248 CC	74 bhp	5.0	Yes	4.75	First	28.4 kmpl
6015	Hyundai Xcent 1.1 CRDi S	Jaipur	2015	100000km	Diesel	Manual	1120 CC	71 bhp	5.0	No	4.00	First	24.4 kmpl
6016	Mahindra Xylo D4 BSIV	Jaipur	2012	55000km	Diesel	Manual	2498 CC	112 bhp	8.0	Yes	2.90	Second	14.0 kmpl
6017	Maruti Wagon R VXI	Kolkata	2013	46m	Petrol	Manual	998 CC	67.1 bhp	5.0	No	2.65	First	18.9 kmpl
6018	Chevrolet Beat Diesel	Hyderabad	2011	47m	Diesel	Manual	936 CC	57.6 bhp	5.0	No	2.50	First	25.44 kmpl

5960 rows × 13 columns

5.2.4 Conversão de dados

df['mileage'] = df['mileage'].str.replace(' kmpl', '').str.replace(' km/kg', '').str.strip()
df['mileage'] = pd.to_numeric(df['mileage'], errors='coerce')

df

	Name	Location	Year	Distance_Driven	Fuel Type	Transmission	Engine	Power	Seats	Trunk	Price	owner	mileage
0	Maruti Wagon R LXI CNG	Mumbai	2010	72000km	CNG	Manual	998 CC	58.16 bhp	5.0	No	1.75	First	26.60
1	Hyundai Creta 1.6 CRDi SX Option	Pune	2015	41000km	Diesel	Manual	1582 CC	126.2 bhp	5.0	Yes	12.50	First	19.67
2	Honda Jazz V	Chennai	2011	46000km	Petrol	Manual	1199 CC	88.7 bhp	5.0	No	4.50	First	18.20
3	Maruti Ertiga VDI	Chennai	2012	87m	Diesel	Manual	1248 CC	88.76 bhp	7.0	No	6.00	First	20.77
4	Audi A4 New 2.0 TDI Multitronic	Coimbatore	2013	40670km	Diesel	Automatic	1968 CC	140.8 bhp	5.0	Yes	17.74	Second	15.20
...	...	...	...	...	...	...	...	...	...	...	...	...	...
6014	Maruti Swift VDI	Delhi	2014	27365	Diesel	Manual	1248 CC	74 bhp	5.0	Yes	4.75	First	28.40
6015	Hyundai Xcent 1.1 CRDi S	Jaipur	2015	100000km	Diesel	Manual	1120 CC	71 bhp	5.0	No	4.00	First	24.40
6016	Mahindra Xylo D4 BSIV	Jaipur	2012	55000km	Diesel	Manual	2498 CC	112 bhp	8.0	Yes	2.90	Second	14.00
6017	Maruti Wagon R VXI	Kolkata	2013	46m	Petrol	Manual	998 CC	67.1 bhp	5.0	No	2.65	First	18.90
6018	Chevrolet Beat Diesel	Hyderabad	2011	47m	Diesel	Manual	936 CC	57.6 bhp	5.0	No	2.50	First	25.44

5960 rows × 13 columns

df['Engine'] = df['Engine'].str.replace(' CC', '')
df["Power"] = df['Power'].str.replace(" bhp", '')
df

	Name	Location	Year	Distance_Driven	Fuel Type	Transmission	Engine	Power	Seats	Trunk	Price	owner	mileage
0	Maruti Wagon R LXI CNG	Mumbai	2010	72000km	CNG	Manual	998	58.16	5.0	No	1.75	First	26.60
1	Hyundai Creta 1.6 CRDi SX Option	Pune	2015	41000km	Diesel	Manual	1582	126.2	5.0	Yes	12.50	First	19.67
2	Honda Jazz V	Chennai	2011	46000km	Petrol	Manual	1199	88.7	5.0	No	4.50	First	18.20
3	Maruti Ertiga VDI	Chennai	2012	87m	Diesel	Manual	1248	88.76	7.0	No	6.00	First	20.77
4	Audi A4 New 2.0 TDI Multitronic	Coimbatore	2013	40670km	Diesel	Automatic	1968	140.8	5.0	Yes	17.74	Second	15.20
...	...	...	...	...	...	...	...	...	...	...	...	...	...
6014	Maruti Swift VDI	Delhi	2014	27365	Diesel	Manual	1248	74	5.0	Yes	4.75	First	28.40
6015	Hyundai Xcent 1.1 CRDi S	Jaipur	2015	100000km	Diesel	Manual	1120	71	5.0	No	4.00	First	24.40
6016	Mahindra Xylo D4 BSIV	Jaipur	2012	55000km	Diesel	Manual	2498	112	8.0	Yes	2.90	Second	14.00
6017	Maruti Wagon R VXI	Kolkata	2013	46m	Petrol	Manual	998	67.1	5.0	No	2.65	First	18.90
6018	Chevrolet Beat Diesel	Hyderabad	2011	47m	Diesel	Manual	936	57.6	5.0	No	2.50	First	25.44

5960 rows × 13 columns

df = df.rename(columns={"mileage": "mileage kmpl", "Engine": "Engine CC", "Power": "Power bhp", ""})

df

	Name	Location	Year	Distance_Driven	Fuel Type	Transmission	Engine CC	Power bhp	Seats	Trunk	Price	owner	mileage kmpl
0	Maruti Wagon R LXI CNG	Mumbai	2010	72000km	CNG	Manual	998	58.16	5.0	No	1.75	First	26.60
1	Hyundai Creta 1.6 CRDi SX Option	Pune	2015	41000km	Diesel	Manual	1582	126.2	5.0	Yes	12.50	First	19.67
2	Honda Jazz V	Chennai	2011	46000km	Petrol	Manual	1199	88.7	5.0	No	4.50	First	18.20
3	Maruti Ertiga VDI	Chennai	2012	87m	Diesel	Manual	1248	88.76	7.0	No	6.00	First	20.77
4	Audi A4 New 2.0 TDI Multitronic	Coimbatore	2013	40670km	Diesel	Automatic	1968	140.8	5.0	Yes	17.74	Second	15.20
...	...	...	...	...	...	...	...	...	...	...	...	...	...
6014	Maruti Swift VDI	Delhi	2014	27365	Diesel	Manual	1248	74	5.0	Yes	4.75	First	28.40
6015	Hyundai Xcent 1.1 CRDi S	Jaipur	2015	100000km	Diesel	Manual	1120	71	5.0	No	4.00	First	24.40
6016	Mahindra Xylo D4 BSIV	Jaipur	2012	55000km	Diesel	Manual	2498	112	8.0	Yes	2.90	Second	14.00
6017	Maruti Wagon R VXI	Kolkata	2013	46m	Petrol	Manual	998	67.1	5.0	No	2.65	First	18.90
6018	Chevrolet Beat Diesel	Hyderabad	2011	47m	Diesel	Manual	936	57.6	5.0	No	2.50	First	25.44

5960 rows × 13 columns

df_sorted = df.sort_values('Price', ascending=False)
df_sorted

	Name	Location	Year	Distance_Driven	Fuel Type	Transmission	Engine CC	Power bhp	Seats	Trunk	Price	owner	mileage kmpl
4079	Land Rover Range Rover 3.0 Diesel LWB Vogue	Hyderabad	2017	25000km	Diesel	Automatic	2993	255	5.0	Yes	160.00	First	13.33
1505	Land Rover Range Rover Sport SE	Kochi	2019	26,013m	Diesel	Automatic	2993	255	5.0	Yes	97.07	First	12.65
1974	BMW 7 Series 740Li	Coimbatore	2018	28060km	Petrol	Automatic	2979	320	5.0	Yes	93.67	First	12.05
1984	BMW 7 Series 740Li	Bangalore	2017	17465	Petrol	Automatic	2979	320	5.0	No	93.00	First	12.05
5535	BMW X6 xDrive 40d M Sport	Ahmedabad	2015	97,003m	Diesel	Automatic	2993	308.43	5.0	Yes	85.00	First	15.87
...	...	...	...	...	...	...	...	...	...	...	...	...	...
2605	Tata Nano Cx	Jaipur	2010	57000km	Petrol	Manual	624	35	4.0	Yes	0.50	First	26.00
1628	Maruti 800 Std BSIII	Jaipur	2004	12000	Petrol	Manual	796	37	4.0	No	0.45	Second	16.10
2847	Hyundai Getz GLS	Pune	2005	86000km	Petrol	Manual	1341	83	5.0	Yes	0.45	Second	15.30
3138	Maruti Zen LXI	Jaipur	1998	95150	Petrol	Manual	993	60	5.0	Yes	0.45	Third	17.30
1713	Tata Nano Lx	Pune	2011	65000	Petrol	Manual	624	35	4.0	Yes	0.44	Second	26.00

5960 rows × 13 columns

Recapitulando

5.3 Extras