Summary  
This chapter covers methods for accessing and printing specific subsets of rows from a DataFrame, including the first N rows, the last N rows, and random samples.  

General domain of usage  
Data analysis

Para visualizar as primeiras linhas de um conjunto de dados, podemos utilizar o método `head()`. Este método aceita um **inteiro** como argumento, que especifica o número de linhas a serem exibidas (por padrão, mostra as **primeiras 5 linhas**). Vamos dar uma olhada nas primeiras 10 linhas do nosso conjunto de dados:
```python
df = pd.read_csv('file.csv')
# Extracting the first 10 rows
first_lines = df.head(10)
```

Se quisermos ver as **últimas linhas** de um DataFrame, podemos usar o método `tail()`. Ele funciona de forma semelhante ao método `head()`:
```python
df = pd.read_csv('file.csv')
# Extracting the last 10 rows
last_lines = df.tail(10)
```

Outro método útil para explorar DataFrames é `sample()`. Este método busca registros aleatórios de um DataFrame. Por padrão, ele recupera um **único registro aleatório**, a menos que especificado de outra forma.
```python
df = pd.read_csv('file.csv')
# Extracting 10 random rows
random_lines = df.sample(10)
```

Pandas é uma biblioteca extremamente amigável para análise de dados. Também é projetada para lidar com grandes conjuntos de dados, usando estruturas de dados como DataFrame e Series. Isso a torna uma ferramenta inestimável para Ciência de Dados. Neste guia, você se familiarizará com uma variedade de funções estatísticas, incluindo como encontrar correlações, modas, medianas e valores máximos e mínimos dentro de um conjunto de dados. Você também aprenderá a lidar com valores ausentes e manipular valores específicos, bem como como removê-los.

Nesta seção, exploraremos os fundamentos das estruturas Series e DataFrame. Você também aprenderá sobre as distinções entre esses dois tipos de estruturas.

Os dados podem ser obtidos em vários formatos, como CSV, JSON, SQL, HTML e mais. Com o Pandas, você não está limitado a um único formato — você pode trabalhar com dados em uma variedade de tipos de arquivos. Neste capítulo, vamos nos concentrar especificamente nos formatos CSV e TXT.

Aqui, você aprenderá a processar dados brutos removendo informações desnecessárias e gerenciando valores nulos em um conjunto de dados.

Visualizando os Dados

Solução

Awesome!

Awesome!

Visualizando os Dados

Solução

Awesome!