Skip to content

Latest commit

 

History

History
858 lines (747 loc) · 28.7 KB

11. Pandas.md

File metadata and controls

858 lines (747 loc) · 28.7 KB

Sejam bem-vindos.

Grupo de estudo Python - COVID-19

Pandas é um pacote para manipulação de dados.

  • Implementa a classe Series e a classe DataFrame.
  • Possui diversas funções para entrada e saída de dados (IO).
  • Implementa algoritmos de manipulação de dados.
import pandas as pd
import numpy as np
import scipy.stats as st
# Você pode criar um objeto da classe Serie.

governadores = pd.Series(['Eduardo Leite', 'Carlos Moisés', 'Ratinho Júnior'])

print(governadores)

0 Eduardo Leite
1 Carlos Moisés
2 Ratinho Júnior
dtype: object

# Você pode inserir um índice

governadores.index = ['RS', 'SC', 'PR']
print(governadores)

RS Eduardo Leite
SC Carlos Moisés
PR Ratinho Júnior
dtype: object

# Recuperando itens.

governadores['PR']

'Ratinho Júnior'

# Alterando ou acrescentando itens
governadores['SP'] = 'João Dória'
governadores

RS Eduardo Leite
SC Carlos Moisés
PR Ratinho Júnior
SP João Dória
dtype: object

# Convertendo em array
governadores.values

array(['Eduardo Leite', 'Carlos Moisés', 'Ratinho Júnior', 'João Dória'], dtype=object)

# Ordenando
print(governadores.sort_values(inplace=False)) # Retorna nova série, mas não altera a série
# Teste inplace=True
print()
print(governadores)

SC Carlos Moisés
RS Eduardo Leite
SP João Dória
PR Ratinho Júnior
dtype: object

RS Eduardo Leite
SC Carlos Moisés
PR Ratinho Júnior
SP João Dória dtype: object

# Ordenando
print(governadores.sort_index()) # Retorna nova série, mas não altera a série
# Veja inplace=True

PR Ratinho Júnior
RS Eduardo Leite
SC Carlos Moisés
SP João Dória dtype: object

# Pegando pedaços

governadores[ ['RS', 'SC'] ]

RS Eduardo Leite
SC Carlos Moisés
dtype: object

# Acessando pela posição
print(governadores.iat[1])
print(governadores.iloc[0])

Carlos Moisés
Eduardo Leite

# Acessando vários valores
print(governadores.iloc[ [0, 3] ])

RS Eduardo Leite
SP João Dória
dtype: object

# Acessando fatias (slices)
print(governadores.iloc[0:2])

RS Eduardo Leite
SC Carlos Moisés
dtype: object

# Acessando via booleanos
print(governadores.iloc[[True, True, False, True]])

RS Eduardo Leite
SC Carlos Moisés
SP João Dória
dtype: object

# Comparando
dados = pd.Series([1, 2, 3, 4, 3, 2, 1, 0])
print(dados>2) # Retorna uma série de booleanos

0 False
1 False
2 True
3 True
4 True
5 False
6 False
7 False
dtype: bool

# Aninhando comandos de comparação e seleção
print(dados[ dados>2 ])  
# Dentro dos colchetes, há uma série de booleanos que indexa a Série dados

2 3
3 4
4 3
dtype: int64

# Outro exemplo
print(dados[dados==2])

1 2
5 2
dtype: int64

A classe DataFrame

  • Como como matrizes (ou tabelas, planilhas).
  • Linhas e colunas podem receber rótulos.
  • São indexados pelas linhas.
cabecalho = ['População', 'Superfície', 'Municípios']
estados = ['RS', 'SC', 'PR']
dados = [[11_290_000, 281_748, 497],
         [ 6_727_000,  95_346, 295],
         [ 11_080_000, 199_315, 399]]

df = pd.DataFrame(dados, index=estados, columns=cabecalho )

# Observe o CamelCase

df  # Experimente as duas visualizações
# print(df)
População Superfície Municípios
RS 11290000 281748 497
SC 6727000 95346 295
PR 11080000 199315 399 
# Selecionando uma coluna, geramos um objeto da classe Serie (especie de array).
serie = df['Superfície']
print(serie)

# Séries possuem nome e índices.
# print(type(serie))

RS 281748
SC 95346
PR 199315
Name: Superfície, dtype: int64

# Podemos selecionar uma ou mais colunas, gerando um novo DataFrame
df2 = df[ ['Superfície', 'População'] ] # A ordem pode ser trocada
print(df2)
# print(type(df2))

Superfície População
RS 281748 11290000
SC 95346 6727000
PR 199315 11080000

# Note a diferença entre df['Superfície'] e df[['Superfície']]

print(df['Superfície'])
print(df[['Superfície']])

print(type(df [  'Superfície'  ] ))
print(type(df [ ['Superfície'] ] ))

RS 281748
SC 95346
PR 199315
Name: Superfície, dtype: int64
Superfície
RS 281748
SC 95346
PR 199315
<class 'pandas.core.series.Series'>
<class 'pandas.core.frame.DataFrame'>

# DataFrames iteram sobre colunas

for i in df:
    print(i)

População
Superfície
Municípios

# Recuperando elementos

print(df['Municípios'] ['RS']) # Coluna, linha

497

# Observe que você está acessando a série.
serie = df['Municípios']
print(serie['RS']) #
# Note que, na verdade, você recupera um item da série, oriunda da coluna.

497

# Método at
df.at['RS', 'Municípios']  # Observe a ordem!!!

497

# Criando uma nova coluna
df['Governador'] = ['Eduardo Leite', 'Carlos Moisés', 'Ratinho Júnior']
df
População Superfície Municípios Governador
RS 11290000 281748 497 Eduardo Leite
SC 6727000 95346 295 Carlos Moisés
PR 11080000 199315 399 Ratinho Júnior 
# Inserindo uma coluna na posição desejada
df.insert(2, 'Densidade', df['População'] / df['Superfície']) # Insere na segunda posição
df
População Superfície Densidade Municípios Governador
RS 11290000 281748 40.071269 497 Eduardo Leite
SC 6727000 95346 70.553563 295 Carlos Moisés
PR 11080000 199315 55.590397 399 Ratinho Júnior 
df2 = df.transpose() # Retorna novo DataFrame transposto.
df2
RS SC PR
População 11290000 6727000 11080000
Superfície 281748 95346 199315
Densidade 40.0713 70.5536 55.5904
Municípios 497 295 399
Governador Eduardo Leite Carlos Moisés Ratinho Júnior 
# Acessando linhas pelo método loc retorna Serie.
print(df,'\n')
df.loc['RS']

População Superfície Densidade Municípios Governador
RS 11290000 281748 40.071269 497 Eduardo Leite
SC 6727000 95346 70.553563 295 Carlos Moisés
PR 11080000 199315 55.590397 399 Ratinho Júnior

População 11290000
Superfície 281748
Densidade 40.0713
Municípios 497
Governador Eduardo Leite
Name: RS, dtype: object

# Você pode pegar um item
print(df.loc['RS']['População']) # Recupera um item da série df.loc['RS']
print(df.at['RS', 'População']) # Melhor

11290000
11290000

# Acessando por índice numérico
print(df, '\n')
df.iat[1, 2]  # Linha, coluna. Rótulos NÃo são contados.

População Superfície Densidade Municípios Governador
RS 11290000 281748 40.071269 497 Eduardo Leite
SC 6727000 95346 70.553563 295 Carlos Moisés
PR 11080000 199315 55.590397 399 Ratinho Júnior

70.55356281333249

# Alterando um único item
df.iat[0, 0] = 11290001
print(df,'\n')

# df['População']['RS'] = 11290000  # Evitar
# print(df)

População Superfície Densidade Municípios Governador
RS 11290001 281748 40.071269 497 Eduardo Leite
SC 6727000 95346 70.553563 295 Carlos Moisés
PR 11080000 199315 55.590397 399 Ratinho Júnior

# Inserindo e eliminando colunas
df['Erro']=1
print(df)
print()

df.drop('Erro', axis='columns', inplace=True)
print(df)
#estados

População Superfície Densidade Municípios Governador Erro
RS 11290001 281748 40.071269 497 Eduardo Leite 1
SC 6727000 95346 70.553563 295 Carlos Moisés 1
PR 11080000 199315 55.590397 399 Ratinho Júnior 1

População Superfície Densidade Municípios Governador
RS 11290001 281748 40.071269 497 Eduardo Leite
SC 6727000 95346 70.553563 295 Carlos Moisés
PR 11080000 199315 55.590397 399 Ratinho Júnior

# Inserindo e eliminando linhas
df.loc['LL'] = ['Central', 'Lugar nenhum', 0, 10, 20]

print(df.tail(2))
print()

df.drop('LL',  axis='rows', inplace=True)
print(df.tail())

População Superfície Densidade Municípios Governador
PR 11080000 199315 55.590397 399 Ratinho Júnior
LL Central Lugar nenhum 0.000000 10 20

População Superfície Densidade Municípios Governador
RS 11290001 281748 40.071269 497 Eduardo Leite
SC 6727000 95346 70.553563 295 Carlos Moisés
PR 11080000 199315 55.590397 399 Ratinho Júnior

# Ondenando
df.sort_index() # Retorna novo dataframe, mas não altera df
# Veja inplace=True
População Superfície Densidade Municípios Governador
PR 11080000 199315 55.590397 399 Ratinho Júnior
RS 11290001 281748 40.071269 497 Eduardo Leite
SC 6727000 95346 70.553563 295 Carlos Moisés 
# Ordenando por valor
df.sort_values(by='População')  # Retorna novo dataframe, mas não altera df
# Pode-se usar by=['População', 'Municípios']
População Superfície Densidade Municípios Governador
SC 6727000 95346 70.553563 295 Carlos Moisés
PR 11080000 199315 55.590397 399 Ratinho Júnior
RS 11290001 281748 40.071269 497 Eduardo Leite 
# Selecionando com comando de comparação
# lembre o que faz df['População']>10_000_000
print( df[    df['População']>10_000_000     ] )

População Superfície Densidade Municípios Governador
RS 11290001 281748 40.071269 497 Eduardo Leite
PR 11080000 199315 55.590397 399 Ratinho Júnior

# Salvando em arquivo. (Suporta diversos formatos)
# https://pandas.pydata.org/pandas-docs/stable/user_guide/io.html

df.to_csv('dados.csv')
df.to_json('dados.json')
# df.to_clipboard() # Não funciona no google colab
# Lendo do arquivo
df2 = pd.read_csv('dados.csv', index_col=0)
print(df2)
print()
df3 = pd.read_json('dados.json')
print(df3)

População Superfície Densidade Municípios Governador
RS 11290001 281748 40.071269 497 Eduardo Leite
SC 6727000 95346 70.553563 295 Carlos Moisés
PR 11080000 199315 55.590397 399 Ratinho Júnior

População Superfície Densidade Municípios Governador
RS 11290001 281748 40.071269 497 Eduardo Leite
SC 6727000 95346 70.553563 295 Carlos Moisés
PR 11080000 199315 55.590397 399 Ratinho Júnior

# Lendo csv url
estados = pd.read_csv('https://raw.githubusercontent.com/fazedo/testes/master/estados.csv', index_col=0)
print(estados) # experimente .head(), .tail(), .head(N) e .tail(N)

# https://w.wiki/SWy

Região Capital ... Área População
São Paulo Sudeste São Paulo ... 248209.400 45094866
Paraná Sul Curitiba ... 199314.900 11320892
Paraíba Nordeste João Pessoa ... 56584.600 4025558
Minas Gerais Sudeste Belo Horizonte ... 586528.290 21119536
Pará Norte Belém ... 1247689.515 8366628
Rio Grande do Sul Sul Porto Alegre ... 281737.888 11322895
Amazonas Norte Manaus ... 1559159.000 4063614
Ceará Nordeste Fortaleza ... 146348.300 9020460
Amapá Norte Macapá ... 142814.600 797722
Bahia Nordeste Salvador ... 564692.000 15344447
Acre Norte Rio Branco ... 152581.000 881935
Alagoas Nordeste Maceió ... 27767.000 3375823
Pernambuco Nordeste Recife ... 98937.800 9473266
Santa Catarina Sul Florianópolis ... 95346.181 7001161
Rio de Janeiro Sudeste Rio de Janeiro ... 43696.100 16718956
Goiás Centro-Oeste Goiânia ... 340086.000 6778772
Maranhão Nordeste São Luís ... 331983.200 7000229
Roraima Norte Boa Vista ... 224298.980 1805788
Piauí Nordeste Teresina ... 251529.000 3219257
Mato Grosso Centro-Oeste Cuiabá ... 903357.000 3344544
Espírito Santo Sudeste Vitória ... 46077.500 3885049
Rondônia Norte Porto Velho ... 238512.000 1590011
Rio Grande do Norte Nordeste Natal ... 53306.800 3507003
Mato Grosso do Sul Centro-Oeste Campo Grande ... 358158.700 2713147
Tocantins Norte Palmas ... 278420.700 1550194
Sergipe Nordeste Aracaju ... 22050.300 2288116

[26 rows x 5 columns]

# Ver colunas
print(estados.columns)

Index(['Região', 'Capital', 'Governador', 'Área', 'População'], dtype='object')

# Filtrar
print(estados[ estados['Região']=='Nordeste' ])

Região Capital ... Área População
Paraíba Nordeste João Pessoa ... 56584.6 4025558
Ceará Nordeste Fortaleza ... 146348.3 9020460
Bahia Nordeste Salvador ... 564692.0 15344447
Alagoas Nordeste Maceió ... 27767.0 3375823
Pernambuco Nordeste Recife ... 98937.8 9473266
Maranhão Nordeste São Luís ... 331983.2 7000229
Piauí Nordeste Teresina ... 251529.0 3219257
Rio Grande do Norte Nordeste Natal ... 53306.8 3507003
Sergipe Nordeste Aracaju ... 22050.3 2288116

[9 rows x 5 columns]

# Filtrar
print(estados[estados['População']>10_000_000])

Região Capital ... Área População
São Paulo Sudeste São Paulo ... 248209.400 45094866
Paraná Sul Curitiba ... 199314.900 11320892
Minas Gerais Sudeste Belo Horizonte ... 586528.290 21119536
Rio Grande do Sul Sul Porto Alegre ... 281737.888 11322895
Bahia Nordeste Salvador ... 564692.000 15344447
Rio de Janeiro Sudeste Rio de Janeiro ... 43696.100 16718956

[6 rows x 5 columns]

# Filtrar
print(estados[ estados['População']/estados['Área']>50 ])

Região Capital ... Área População
São Paulo Sudeste São Paulo ... 248209.400 45094866
Paraná Sul Curitiba ... 199314.900 11320892
Paraíba Nordeste João Pessoa ... 56584.600 4025558
Ceará Nordeste Fortaleza ... 146348.300 9020460
Alagoas Nordeste Maceió ... 27767.000 3375823
Pernambuco Nordeste Recife ... 98937.800 9473266
Santa Catarina Sul Florianópolis ... 95346.181 7001161
Rio de Janeiro Sudeste Rio de Janeiro ... 43696.100 16718956
Espírito Santo Sudeste Vitória ... 46077.500 3885049
Rio Grande do Norte Nordeste Natal ... 53306.800 3507003
Sergipe Nordeste Aracaju ... 22050.300 2288116

[11 rows x 5 columns]

# Filtrar (#np.array([True, False, True, False]) & np.array([True, True, False, False]))

print(estados[(estados['População']>10_000_000) & (estados['Área']<200_000)])

# Teste &, |, ^, ~

Região Capital ... Área População
Paraná Sul Curitiba ... 199314.9 11320892
Rio de Janeiro Sudeste Rio de Janeiro ... 43696.1 16718956

[2 rows x 5 columns]

x = estados['População']>10_000_000
y = estados['Área']<200_000

print(x | ~y)

São Paulo True
Paraná True
Paraíba False
Minas Gerais True
Pará True
Rio Grande do Sul True
Amazonas True
Ceará False
Amapá False
Bahia True
Acre False
Alagoas False
Pernambuco False
Santa Catarina False
Rio de Janeiro True
Goiás True
Maranhão True
Roraima True
Piauí True
Mato Grosso True
Espírito Santo False
Rondônia True
Rio Grande do Norte False
Mato Grosso do Sul True
Tocantins True
Sergipe False
dtype: bool

# Contando resultados filtrados
d=estados[ (estados['População']>5_000_000) ].count() #Tente max, min, mean
d

Região 12
Capital 12
Governador 12
Área 12
População 12
dtype: int64

# Filtrar por 'is in' # Pode-se usar ~
estados[estados['Região'].isin(['Sul', 'Sudeste'])]
Região Capital Governador Área População
São Paulo Sudeste São Paulo João Doria Júnior 248209.400 45094866
Paraná Sul Curitiba Ratinho Júnior 199314.900 11320892
Minas Gerais Sudeste Belo Horizonte Romeu Zema 586528.290 21119536
Rio Grande do Sul Sul Porto Alegre Eduardo Leite 281737.888 11322895
Santa Catarina Sul Florianópolis Carlos Moisés da Silva 95346.181 7001161
Rio de Janeiro Sudeste Rio de Janeiro Wilson José Witzel 43696.100 16718956
Espírito Santo Sudeste Vitória Renato Casagrande 46077.500 3885049 
# Filter - atual nos rótulos
# print(estados.filter(regex='[mM]a', axis='rows')) # Casa qualquer parte
print(estados.filter(regex='o$', axis='rows'))
#estados

Região Capital ... Área População
São Paulo Sudeste São Paulo ... 248209.4 45094866
Pernambuco Nordeste Recife ... 98937.8 9473266
Rio de Janeiro Sudeste Rio de Janeiro ... 43696.1 16718956
Maranhão Nordeste São Luís ... 331983.2 7000229
Mato Grosso Centro-Oeste Cuiabá ... 903357.0 3344544
Espírito Santo Sudeste Vitória ... 46077.5 3885049

[6 rows x 5 columns]

# Listando únicos
estados['Região'].unique()

array(['Sudeste', 'Sul', 'Nordeste', 'Norte', 'Centro-Oeste'],
dtype=object)

# Ordenar
estados.sort_values(by='Área', ascending=False).head(3)
Região Capital Governador Área População
Amazonas Norte Manaus Wilson Lima 1559159.000 4063614
Pará Norte Belém Helder Barbalho 1247689.515 8366628
Mato Grosso Centro-Oeste Cuiabá Mauro Mendes Ferreira 903357.000 3344544 
# Ordenar
estados.sort_values(by=['Região', 'Área'], ascending=False).head()
Região Capital Governador Área População
Rio Grande do Sul Sul Porto Alegre Eduardo Leite 281737.888 11322895
Paraná Sul Curitiba Ratinho Júnior 199314.900 11320892
Santa Catarina Sul Florianópolis Carlos Moisés da Silva 95346.181 7001161
Minas Gerais Sudeste Belo Horizonte Romeu Zema 586528.290 21119536
São Paulo Sudeste São Paulo João Doria Júnior 248209.400 45094866 
# Agrupar
# https://pandas.pydata.org/pandas-docs/stable/user_guide/groupby.html
estados.groupby('Região').count() # .mean(), .last(), .first(), .std(), .var(), etc
Capital Governador Área População
Região
Centro-Oeste 3 3 3 3
Nordeste 9 9 9 9
Norte 7 7 7 7
Sudeste 4 4 4 4
Sul 3 3 3 3

Visualização de dados

import matplotlib.pyplot as plt
estados.boxplot(column='População') # Teste  by='Região'
plt.show()

Gráfico 11-01

# Controlando melhor o gráfico
fig, ax = plt.subplots()

estados.boxplot(column='População', by='Região', ax=ax, vert=False)  
# Obs: Passar o eixo como parâmetro

fig.set_facecolor('white')
fig.suptitle('População estadual por regiões')
ax.set_title('')
plt.show()

Gráfico 11-02

fig, ax = plt.subplots(1, 2, sharex=False, sharey=False)

estados.boxplot(column=['População', 'Área'], by='Região', ax=ax, rot=45)  

fig.set_size_inches(10, 3)
fig.set_facecolor('white')
fig.suptitle('População e área estaduais por região.', y=1.05)
plt.show()

Gráfico 11-03

# Espalhamento
fig, ax = plt.subplots()
estados.plot.scatter(x='População', y='Área', ax=ax)

fig.suptitle('População e área estaduais por região.')
fig.set_facecolor('white')
plt.show()

Gráfico 11-04

anscombe = pd.read_json('sample_data/anscombe.json')
anscombe

| | Series | X | Y | |---: |-------: |---: |------: | | 0 | I | 10 | 8.04 | | 1 | I | 8 | 6.95 | | 2 | I | 13 | 7.58 | | 3 | I | 9 | 8.81 | | 4 | I | 11 | 8.33 | | 5 | I | 14 | 9.96 | | 6 | I | 6 | 7.24 | | 7 | I | 4 | 4.26 | | 8 | I | 12 | 10.84 | | 9 | I | 7 | 4.81 | | 10 | I | 5 | 5.68 | | 11 | II | 10 | 9.14 | | 12 | II | 8 | 8.14 | | 13 | II | 13 | 8.74 | | 14 | II | 9 | 8.77 | | 15 | II | 11 | 9.26 | | 16 | II | 14 | 8.10 | | 17 | II | 6 | 6.13 | | 18 | II | 4 | 3.10 | | 19 | II | 12 | 9.13 | | 20 | II | 7 | 7.26 | | 21 | II | 5 | 4.74 | | 22 | III | 10 | 7.46 | | 23 | III | 8 | 6.77 | | 24 | III | 13 | 12.74 | | 25 | III | 9 | 7.11 | | 26 | III | 11 | 7.81 | | 27 | III | 14 | 8.84 | | 28 | III | 6 | 6.08 | | 29 | III | 4 | 5.39 | | 30 | III | 12 | 8.15 | | 31 | III | 7 | 6.42 | | 32 | III | 5 | 5.73 | | 33 | IV | 8 | 6.58 | | 34 | IV | 8 | 5.76 | | 35 | IV | 8 | 7.71 | | 36 | IV | 8 | 8.84 | | 37 | IV | 8 | 8.47 | | 38 | IV | 8 | 7.04 | | 39 | IV | 8 | 5.25 | | 40 | IV | 19 | 12.50 | | 41 | IV | 8 | 5.56 | | 42 | IV | 8 | 7.91 | | 43 | IV | 8 | 6.89 |

anscombe.groupby('Series').describe()
X Y
count mean std min 25% 50% 75% max count mean std min 25% 50% 75% max
Series
I 11.0 9.0 3.316625 4.0 6.5 9.0 11.5 14.0 11.0 7.500000 2.032890 4.26 6.315 7.58 8.57 10.84
II 11.0 9.0 3.316625 4.0 6.5 9.0 11.5 14.0 11.0 7.500909 2.031657 3.10 6.695 8.14 8.95 9.26
III 11.0 9.0 3.316625 4.0 6.5 9.0 11.5 14.0 11.0 7.500000 2.030424 5.39 6.250 7.11 7.98 12.74
IV 11.0 9.0 3.316625 8.0 8.0 8.0 8.0 19.0 11.0 7.500909 2.030579 5.25 6.170 7.04 8.19 12.50 
fig, ax = plt.subplots(1, 4, sharex=True, sharey=True)
for eixo, serie in zip(ax, ['I', 'II', 'III', 'IV']):
    df=anscombe[anscombe['Series']==serie]
    df.plot.scatter(x='X', y='Y', ax=eixo)

    # Regressão y = ax + b (a = slope, b = intercept)
    slope, intercept, r_value, p_value, std_err = \
                st.linregress(df['X'], df['Y'])

    eixo.plot([3, 20], [intercept + slope*3, intercept + slope*20], color='Red')

    eixo.grid(True)
    eixo.set(xlim=(3 , 20), ylim=(2, 15))

fig.set_size_inches(16, 4)
fig.set_facecolor('white')
fig.suptitle('Quarteto de Anscombe')
plt.show()

Gráfico 11-05

Combinando DataFrames

  • É possível construir um nome DataFrame a partir de dois, relacionando colunas com mesmo valor.

  • Usamos o comando merge. Semelhante ao join do SQL.

df1 = pd.DataFrame([['Gato',     'Cat'], ['Pássaro', 'Bird'],
                    ['Cachorro', 'Dog'], ['Cavalo',    'Horse']],
                   columns=['Português', 'Inglês'])

df2 = pd.DataFrame([['Gato',      'Chat'], ['Pássaro', 'Oiseau'],
                    ['Cachorro', 'Chien'], ['Galinha', 'Poule']],
                    columns=['Português', 'Francês'])

print(pd.merge(df1, df2, on='Português'))  

# inner = interseção, outer = união,

# Usar minúsculas em how
# Aqui how é opcional. Padrão = intersecção das colunas.
# on pode conter uma lista de colunas.
# Experimente indicator=True
# NaN = Not a Number

Português Inglês Francês
0 Gato Cat Chat
1 Pássaro Bird Oiseau
2 Cachorro Dog Chien

print(df1, '\n\n', df2)

Português Inglês
0 Gato Cat
1 Pássaro Bird
2 Cachorro Dog
3 Cavalo Horse

Português Francês
0 Gato Chat
1 Pássaro Oiseau
2 Cachorro Chien
3 Galinha Poule