Skip to content

Como Buscar Facilmente Valores em Colunas em um DataFrame do Pandas

Rajiv Chandra
Name
Rajiv Chandra

Updated on

Buscar valores em uma coluna de um DataFrame do Pandas é uma operação fundamental para filtrar, limpar e analisar dados. Pandas oferece várias maneiras poderosas de fazer buscas — incluindo indexação booleana, isin(), query() e operações de string — que tornam essa tarefa rápida e intuitiva.

Este guia atualizado cobre as técnicas mais úteis e modernas para buscar valores em um DataFrame, com exemplos que você pode aplicar diretamente em fluxos de trabalho reais.

Quer criar rapidamente visualizações de dados a partir de DataFrames do Pandas sem escrever código?
PyGWalker transforma seu DataFrame em uma interface interativa ao estilo Tableau dentro do Jupyter Notebook.
PyGWalker no GitHub (opens in a new tab)

PyGWalker for Data visualization (opens in a new tab)

Noções Básicas de DataFrame do Pandas

Um DataFrame do Pandas é uma estrutura tabular bidimensional com linhas e colunas rotuladas. Aqui está um exemplo simples:

import pandas as pd
 
data = {
    'Name': ['John', 'Emma', 'Peter', 'David', 'Sophie'],
    'Age': [27, 21, 24, 30, 29],
    'Gender': ['Male', 'Female', 'Male', 'Male', 'Female'],
    'City': ['New York', 'London', 'Paris', 'Tokyo', 'Rio de Janeiro']
}
 
df = pd.DataFrame(data)
print(df)

Saída:

     Name  Age  Gender             City
0    John   27    Male         New York
1    Emma   21  Female           London
2   Peter   24    Male            Paris
3   David   30    Male            Tokyo
4  Sophie   29  Female  Rio de Janeiro

Buscando Valores em uma Coluna de DataFrame

1. Buscar por Igualdade Exata (Indexação Booleana)

result = df[df['Age'] == 27]
print(result)

Saída:

   Name  Age Gender      City
0  John   27   Male  New York

Você pode usar qualquer operador de comparação:

OperadorSignificado
==igual
!=diferente
> / <maior / menor
>= / <=maior ou igual / menor ou igual

Exemplo: encontrar linhas em que Age ≥ 25

df[df['Age'] >= 25]

2. Buscar Múltiplos Valores Usando isin()

cities = ['Paris', 'Tokyo']
df[df['City'].isin(cities)]

Saída:

    Name  Age Gender   City
2  Peter   24   Male  Paris
3  David   30   Male  Tokyo

Use ~df['col'].isin() para excluir valores.

3. Buscar Usando query() (Legível e Rápido)

query() permite filtrar linhas usando uma sintaxe semelhante a SQL — ótimo para legibilidade.

df.query("Age == 27")

Ou múltiplas condições:

df.query("Age > 25 and Gender == 'Female'")

Isso geralmente resulta em código mais limpo do que indexação booleana aninhada.

4. Buscar Padrões em Strings (str.contains())

Útil para filtrar colunas textuais.

Contém um substring

df[df['City'].str.contains('on', case=False, na=False)]

Começa ou termina com

df[df['Name'].str.startswith('J')]
df[df['City'].str.endswith('o')]

5. Buscar Valores Ausentes / Não Ausentes

df[df['City'].isna()]      # valores ausentes
df[df['City'].notna()]     # valores não ausentes

6. Buscar em Múltiplas Colunas

Encontrar linhas em que qualquer coluna corresponda a um valor:

df[df.eq('Male').any(axis=1)]

Encontrar linhas em que todas as condições sejam satisfeitas:

df[(df['Gender'] == 'Female') & (df['Age'] > 25)]

Dicas de Performance (Realistas e Precisas)

Algumas dicas de performance foram mal interpretadas em tutoriais antigos.
Aqui está uma orientação mais precisa:

✔ 1. Converta colunas para category se tiverem muitos valores repetidos

Isso acelera comparações:

df['City'] = df['City'].astype('category')

✔ 2. Use arrays do NumPy para conjuntos de dados muito grandes

import numpy as np
 
ages = df['Age'].to_numpy()
df[ages == 27]

✔ 3. Evite apply() para buscas

Operações vetorizadas (indexação booleana, isin(), query()) são sempre mais rápidas.

❌ Removido: “.loc[] é mais rápido que indexação booleana”

Isso é incorreto — elas se comportam da mesma forma internamente.
.loc[] é para seleção baseada em rótulos, não para ganho de velocidade.

⚠ Sobre searchsorted()

searchsorted() só funciona corretamente se a coluna estiver ordenada e não confirma que o valor existe.
Por exemplo:

df_sorted = df.sort_values('Age')
idx = df_sorted['Age'].searchsorted(27)

Isso encontra a posição de inserção — não necessariamente a linha com Age = 27.

Use apenas em fluxos de trabalho avançados.

Conclusão

Buscar valores em uma coluna do Pandas é essencial para exploração e limpeza de dados. Pandas oferece várias maneiras eficientes de fazer buscas:

  • Indexação booleana para correspondências exatas
  • isin() para múltiplos valores
  • query() para filtragem limpa, ao estilo SQL
  • Busca em strings com str.contains()
  • Filtro de valores ausentes
  • Filtragem em múltiplas colunas

Esses métodos ajudam você a extrair exatamente os dados de que precisa de forma rápida, precisa e organizada.

Links

Perguntas Frequentes

  1. Como faço para buscar um valor específico em uma coluna de DataFrame?
    Use indexação booleana:

    df[df['Age'] == 27]

  2. Como recupero um valor específico de uma coluna?
    Use o índice da linha + nome da coluna:

    df['Age'][0]

  3. Como obter um único valor de forma rápida?
    Use .at ou .iat:

    df.at[0, 'Age']
df.iat[0, 1]

;