Como fazer atividade numero 1 e 2 em projetos de engenharia ou análise de dados
A atividade numero 1 e 2 aparece com frequência em disciplinas de metodologia científica, relatórios técnicos e até em processos seletivos de empresas de tecnologia. O conceito em si é simples, mas a execução costuma gerar confusão. Vou explicar como funciona na prática, sem rodeio.
Entendendo o que é atividade numero 1 e 2
Em resumo, trata-se de um par de exercícios sequenciais onde a primeira parte pede a coleta e organização de dados brutos, e a segunda exige a aplicação de um método específico de análise ou transformação sobre esses dados. A maioria dos instructores espera que você entregue os dois itens como um único documento estruturado. O erro mais comum é tratar as duas atividades como coisas independentes. Elas não são. Os dados que você processa na atividade 2 dependem diretamente do tratamento que fez na atividade 1. Se você cortou dados, removeu outliers ou padronizou unidades no primeiro passo, precisa documentar isso explicitamente, senão a atividade 2 fica inconsistente.
O método passo a passo
Vamos começar pela estrutura básica. Primeiro, leia o enunciado completo das duas atividades antes de tocar em qualquer coisa. Parece óbvio, mas vi muitos alunos começarem a trabalhar só na parte 1 sem saber que a parte 2 pedia algo completamente diferente no formato de entrega. No meu caso, working em uma empresa de logística, precisei aplicar esse tipo de estrutura para um relatório interno. A atividade 1 era limpar uma base de 45 mil registros de entregas com campos faltando e duplicados. A atividade 2 era calcular médias ponderadas de tempo de entrega por região. O problema real começou quando percebi que os dados de algumas regiões estavam em horas e outros em minutos. Não estava no enunciado. Tive que criar uma coluna intermediária de normalização antes de rodar qualquer cálculo.
Então aqui vai o fluxo que funciona: Etapa 1 — Coleta e entendimento da base. Baixe o arquivo, abra ele, conte as linhas, verifique os tipos de cada coluna. Anote quantos campos vêm vazios. Isso leva em média 15 a 30 minutos dependendo do tamanho do dataset. Não pule essa etapa. Trabalhar com dados que você não entendeu é a principal causa de erro nas duas atividades.
Etapa 2 — Tratamento dos dados para a atividade 1. Remova duplicatas exatas, preencha valores ausentes com a estratégia indicada pelo professor (média, mediana, eliminação), e converta todas as unidades para o mesmo padrão. Documente cada ação num bloco de notas ou num comentário no código. Se estiver usando Excel, guarde uma aba só para o registro das transformações. Etapa 3 — Análise propriamente dita para a atividade 2. Agora sim aplique o método pedido. Seja média ponderada, regressão linear, teste de hipótese ou o que for. Execute o cálculo, salve o resultado num arquivo separado, e faça uma verificação rápida: os números fazem sentido? Se a média de idade deu 85 anos numa base de estudantes, algo errado aconteceu na etapa 2.
Etapa 4 — Formatação da entrega. Junte tudo num único documento. Coloque os dados tratados na atividade 1, os resultados da atividade 2, e um resumo de meia página explicando o que foi feito. Use tabelas para dados e prints de gráficos quando relevante.
👉 Clique no botão abaixo para saber mais sobre o assunto!
Pegadinhas que ninguém conta
Aqui vai algo que raramente aparece nos materiais didáticos: a atividade 1 muitas vezes avalia mais a limpeza e documentação do que o resultado em si. Professores querem ver se você sabe registrar o que fez, não apenas chegar ao número final. Anotar cada decisão de tratamento vale mais pontos do que executar o cálculo perfeito na atividade 2 sem explicações. Outro ponto: validação cruzada. Antes de finalizar, pegue 5 linhas aleatórias da base tratada e confira manualmente se cada transformação foi aplicada corretamente. Isso leva 5 minutos e evita erros grosseiros que passam despercebidos.
Também existe o problema dos formatos de data. Se a atividade envolve datas, garanta que todas estejam no padrão ISO 8601 (AAAA-MM-DD) antes de qualquer análise. Datas em formatos mistos geram erros silenciosos que quebram cálculos posteriores e são quase impossíveis de rastrear depois.
Quais ferramentas usar
Depende do seu nível. Para datasets pequenos, planilhas como Google Sheets ou Excel resolvem. Para bases maiores ou quando o método pede automação, Python com pandas é a escolha padrão. R também funciona bem se o foco for estatística pura. Se estiver usando Python, aqui está um exemplo mínimo do que faria na atividade 1:
Carregar o arquivo, remover duplicatas, converter colunas de data, preencher valores nulos e salvar a versão tratada. Na atividade 2, aplicar a análise solicitada e exportar os resultados. A parte chata é ajustar esse código para cada problema específico. Mas uma vez que você tem o esqueleto, reutilizar leva menos de 10 minutos por nova atividade.
Onde encontrar o material e exercícios
A atividade numero 1 e 2 costuma ser disponibilizada pela própria instituição de ensino ou plataforma used. Em muitos casos, o professor sobe o arquivo de dados e o enunciado numa área restrita. Se você não encontrou, tente buscar no fórum da disciplina ou pedir para colegas que já passaram pela mesma matéria. Às vezes o material está em versões anteriores do curso. Se for um exercício público, como os que aparecem em bootcamps ou certificações, normalmente há repositórios no GitHub com soluções de referência. Procure por termos como "atividade 1 e 2" junto com o nome da disciplina ou ferramenta.
Quando o método não funciona
Não adianta seguir o fluxo inteiro se a base de dados estiver realmente inservível — com campos mal formatados de forma estrutural, encoding corrompido, ou valores ilegíveis. Nesse caso, o melhor é documentar o problema e conversar com o responsável. Tentar forçar a análise com dados ruins gera resultados enganosos, e entregar isso é pior do que não entregar nada. Também há situações em que a atividade 2 pede um método que exige software específico não disponível no seu computador. Nesses casos, alternatives online como o Google Colab para Python ou o RStudio Cloud funcionam sem instalação local.
Dica final prática
Guarde sempre uma cópia dos dados brutos originais. Nunca sobrescreva o arquivo inicial. Qualquer problema que surgir depois pode ser corrigido voltando ao ponto zero, e isso economiza horas de retrabalho.
